利用对比散度损失降低联邦自动驾驶中的非独立同分布影响
机器人学
2023-10-10 v2
摘要
联邦学习已在自动驾驶中广泛应用，因其能在车辆间训练学习模型而无需共享用户数据。然而，自动驾驶车辆的数据通常面临非独立同分布（non-IID）问题，这可能对学习过程的收敛产生负面影响。本文提出一种新的对比散度损失，通过在各数据孤岛的本地学习过程中降低来自传输模型的散度因子影响，解决自动驾驶中的 non-IID 问题。我们还分析了对比散度在多种自动驾驶场景、多种网络基础设施以及不同集中式/分布式学习方案下的效果。在三个数据集上的大量实验表明，所提对比散度损失相较当前最优方法显著提升了性能。
引用
@article{arxiv.2303.06305,
title = {Reducing Non-IID Effects in Federated Autonomous Driving with Contrastive Divergence Loss},
author = {Tuong Do and Binh X. Nguyen and Hien Nguyen and Erman Tjiputra and Quang D. Tran and Te-Chuan Chiu and Anh Nguyen},
journal= {arXiv preprint arXiv:2303.06305},
year = {2023}
}