基于可解释声誉量化机制的异步联邦学习在增强轨迹预测中的应用
机器学习
2024-07-30 v1 密码学与安全
计算机视觉与模式识别
摘要
联邦学习结合区块链技术在自动驾驶应用中赋能安全数据共享。然而，随着车辆生成数据粒度和复杂度的增加，缺乏数据质量审计导致多方在轨迹预测任务中对数据提供者的信任度受到质疑。为此，本文提出一种基于可解释声誉量化机制运用图神经网络工具的异步联邦学习数据共享方法。数据提供者在差分隐私约束下共享数据结构，以确保安全性并减少冗余数据。我们实现深度强化学习来对车辆按声誉等级进行分类，从而优化联邦学习的聚合效率。实验结果表明，所提出的数据共享方案不仅强化了轨迹预测任务的安全性，还提升了预测精度。
引用
@article{arxiv.2407.19428,
title = {Reputation-Driven Asynchronous Federated Learning for Enhanced Trajectory Prediction with Blockchain},
author = {Weiliang Chen and Li Jia and Yang Zhou and Qianqian Ren},
journal= {arXiv preprint arXiv:2407.19428},
year = {2024}
}