面向协作智能交通系统的半异步分层联邦学习
机器学习
2021-10-19 v1
摘要
协作智能交通系统是一种极具前景的网络，它通过利用参与者的优势，为自动驾驶车辆和道路基础设施提供安全、高效、可持续和舒适的服务。然而，C-ITS 的组件通常会产生大量数据，这使得探索数据科学变得困难。目前，联邦学习已被提出作为一种极具吸引力的方法，允许用户协作地从受训参与者中获益。因此，在本文中，我们为 C-ITS 提出了一种新颖的半异步分层联邦学习框架，实现了从数据感知到弹性边缘到云的模型聚合。我们进一步在提出的 SHFL 框架下，构建了一个联合边缘节点关联与资源分配问题，以防止异构路面车辆的个性化并实现通信效率。为了处理我们提出的混合整数非线性规划问题，我们引入了一种分布式交替方向乘子法-块坐标更新算法。通过该算法，推导出了训练精度与传输延迟之间的权衡。数值结果证明了所提算法在训练开销和模型性能方面的优势。
引用
@article{arxiv.2110.09073,
title = {Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems},
author = {Qimei Chen and Zehua You and Hao Jiang},
journal= {arXiv preprint arXiv:2110.09073},
year = {2021}
}