論文の概要: Personalized Federated Learning of Driver Prediction Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2112.00956v1
• Date: Thu, 2 Dec 2021 03:19:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 17:31:42.528244
• Title: Personalized Federated Learning of Driver Prediction Models for Autonomous Driving
• Title（参考訳）: 自律運転のための運転予測モデルの個人化フェデレーション学習
• Authors: Manabu Nakanoya, Junha Im, Hang Qiu, Sachin Katti, Marco Pavone, Sandeep Chinchali
• Abstract要約: 本稿では,ロバストなロボット学習モデルを多種多様なユーザ分布に特化するための,個人化されたフェデレートラーニング(FL)の新たなバリエーションを提案する。 提案アルゴリズムは,実ユーザ調査において,標準FLベンチマークを最大2倍に向上させる。
• 参考スコア（独自算出の注目度）: 25.166323120184188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) must interact with a diverse set of human drivers in heterogeneous geographic areas. Ideally, fleets of AVs should share trajectory data to continually re-train and improve trajectory forecasting models from collective experience using cloud-based distributed learning. At the same time, these robots should ideally avoid uploading raw driver interaction data in order to protect proprietary policies (when sharing insights with other companies) or protect driver privacy from insurance companies. Federated learning (FL) is a popular mechanism to learn models in cloud servers from diverse users without divulging private local data. However, FL is often not robust -- it learns sub-optimal models when user data comes from highly heterogeneous distributions, which is a key hallmark of human-robot interactions. In this paper, we present a novel variant of personalized FL to specialize robust robot learning models to diverse user distributions. Our algorithm outperforms standard FL benchmarks by up to 2x in real user studies that we conducted where human-operated vehicles must gracefully merge lanes with simulated AVs in the standard CARLA and CARLO AV simulators.
• Abstract（参考訳）: 自動運転車(AV)は、異種地域における多様な人間のドライバーと相互作用する必要がある。 理想的には、avの群れは、クラウドベースの分散学習を使用して集合的経験から軌道予測モデルを継続的に再訓練し改善するために軌道データを共有すべきである。 同時に、これらのロボットは、プロプライエタリなポリシー(他社と洞察を共有する場合)や、保険会社からのドライバープライバシを保護するために、生のドライバーのインタラクションデータをアップロードするのを理想的に避けるべきである。 フェデレートラーニング(FL)は、プライベートローカルデータを拡散することなく、多様なユーザからクラウドサーバでモデルを学習するための一般的なメカニズムである。 しかしflは、しばしばロバストではない。人間とロボットの相互作用の重要な特徴である高度に異質な分散からユーザーデータが来たときに、最適以下のモデルを学ぶ。 本稿では,ロバストなロボット学習モデルを多様なユーザ分布に特殊化する,パーソナライズされたflの新たな変種を提案する。 提案手法は,標準carlaおよびcarlo avシミュレータにおいて,車線とシミュレーションされたavを優雅にマージしなければならない実ユーザ調査において,flベンチマークを最大2倍向上させる。

関連論文リスト

• FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles [7.8896851741869085]
  自動運転車の階層的統合地域学習フレームワーク(FedRAV)を提案する。 FedRAVは、定義された地域距離に基づいて、車両を含む広い領域をサブリージョンに適応的に分割し、パーソナライズされた車両モデルと地域モデルを達成する。 実験の結果、我々のフレームワークはこれらの既知のアルゴリズムより優れており、少なくとも3.69%精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-11-21T09:45:55Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。 フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。 ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
  論文  参考訳（メタデータ） (2024-05-29T02:34:38Z)
• Federated Learning for Misbehaviour Detection with Variational Autoencoders and Gaussian Mixture Models [0.2999888908665658]
  Federated Learning (FL)は、機械学習(ML)モデルを協調的にトレーニングするための魅力的なアプローチになっている。 本研究は、車載環境における潜在的な不適切な行動を特定するための、新しい教師なしFLアプローチを提案する。 当社は、モデルアグリゲーションの目的のために、パブリッククラウドサービスのコンピューティング能力を活用しています。
  論文  参考訳（メタデータ） (2024-05-16T08:49:50Z)
• GOF-TTE: Generative Online Federated Learning Framework for Travel Time Estimation [8.05623264361826]
  本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。 トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。 また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
  論文  参考訳（メタデータ） (2022-07-02T14:10:26Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
  そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。 差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
  論文  参考訳（メタデータ） (2021-11-01T18:10:21Z)
• UVeQFed: Universal Vector Quantization for Federated Learning [179.06583469293386]
  フェデレートラーニング(FL)は、ユーザがプライベートラベル付きデータを共有することなく、そのような学習モデルをトレーニングする、新たなアプローチである。 FLでは、各ユーザが学習モデルのコピーをローカルにトレーニングする。その後、サーバは個々の更新を収集し、それらをグローバルモデルに集約する。 普遍ベクトル量子化法をFLと組み合わせることで、訓練されたモデルの圧縮が最小歪みのみを誘導する分散トレーニングシステムが得られることを示す。
  論文  参考訳（メタデータ） (2020-06-05T07:10:22Z)
• An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset [7.151393153761375]
  本稿では,短期記憶モデル(LSTM)を用いた自律走行モデルの動作を模倣する手法を提案する。 実験結果から,本モデルは動作予測においていくつかのモデルより優れることがわかった。
  論文  参考訳（メタデータ） (2020-02-14T05:28:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。