面向无人机赋能车联网的联邦学习：一种多维契约-匹配方法
信号处理
2020-04-09 v1 网络与互联网体系结构
摘要
随着深度学习的兴起，车联网（IoV）组件所拥有的丰富数据与增强的计算能力使得基于人工智能（AI）的有效模型得以构建。除地面数据源外，基于无人机（UAV）的数据采集与AI模型训练服务提供商，即无人机即服务（DaaS），近年来日益流行。然而，严格的数据隐私监管可能阻碍独立拥有的无人机之间的数据共享。为此，我们提出采用基于联邦学习（FL）的方法，在独立DaaS提供商组成的联邦中实现隐私保护的协作机器学习，以开发IoV应用，例如交通预测与停车场占用管理。鉴于无人机与模型所有者之间的信息不对称与激励错配，我们利用多维契约的自我揭示特性来确保无人机类型的真实上报，同时考虑多种异质性来源，例如感知、计算与传输成本方面的异质性。随后，我们采用Gale-Shapley算法将成本最低的无人机匹配至每个子区域。仿真结果验证了我们契约设计的激励兼容性，并展示了匹配的效率，从而在信息不对称下保证了模型所有者的利润最大化。
引用
@article{arxiv.2004.03877,
title = {Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach},
author = {Wei Yang Bryan Lim and Jianqiang Huang and Zehui Xiong and Jiawen Kang and Dusit Niyato and Xian-Sheng Hua and Cyril Leung and Chunyan Miao},
journal= {arXiv preprint arXiv:2004.03877},
year = {2020}
}
备注
14 pages