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
- FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [53.1239718589536]
ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。
現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。
多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。
我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
論文 参考訳(メタデータ) (2024-01-23T15:52:57Z) - VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning [2.7892067588273513]
本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
論文 参考訳(メタデータ) (2023-11-30T17:38:54Z) - Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。
FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。
そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
論文 参考訳(メタデータ) (2023-11-12T11:01:10Z) - Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks [8.209194305630229]
既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。
本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T20:20:26Z) - 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) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳(メタデータ) (2022-05-18T04:15:42Z) - 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。