論文の概要: Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2205.09529v1
• Date: Tue, 17 May 2022 19:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-21 14:55:57.581639
• Title: Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles
• Title（参考訳）: 自動車インターネットのためのフェデレーション学習を意識したモビリティ, コミュニケーション, 計算
• Authors: Md Ferdous Pervej, Jianlin Guo, Kyeong Jin Kim, Kieran Parsons, Philip Orlik, Stefano Di Cairano, Marcel Menner, Karl Berntorp, Yukimasa Nagai, and Huaiyu Dai
• Abstract要約: 道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。 現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。 オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
• 参考スコア（独自算出の注目度）: 29.476152044104005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While privacy concerns entice connected and automated vehicles to incorporate on-board federated learning (FL) solutions, an integrated vehicle-to-everything communication with heterogeneous computation power aware learning platform is urgently necessary to make it a reality. Motivated by this, we propose a novel mobility, communication and computation aware online FL platform that uses on-road vehicles as learning agents. Thanks to the advanced features of modern vehicles, the on-board sensors can collect data as vehicles travel along their trajectories, while the on-board processors can train machine learning models using the collected data. To take the high mobility of vehicles into account, we consider the delay as a learning parameter and restrict it to be less than a tolerable threshold. To satisfy this threshold, the central server accepts partially trained models, the distributed roadside units (a) perform downlink multicast beamforming to minimize global model distribution delay and (b) allocate optimal uplink radio resources to minimize local model offloading delay, and the vehicle agents conduct heterogeneous local model training. Using real-world vehicle trace datasets, we validate our FL solutions. Simulation shows that the proposed integrated FL platform is robust and outperforms baseline models. With reasonable local training episodes, it can effectively satisfy all constraints and deliver near ground truth multi-horizon velocity and vehicle-specific power predictions.
• Abstract（参考訳）: プライバシーに関する懸念は、車載連合学習(fl)ソリューションを組み込むために、コネクテッドおよびオートマチックな車両を誘引する一方で、異種計算能力認識学習プラットフォームとあらゆるもの間の統合的な車両間通信は、現実化するために緊急に必要である。 そこで我々は,道路上での車両を学習エージェントとして利用する,移動,通信,計算を意識したオンラインFLプラットフォームを提案する。 最新の車両の高度な機能のおかげで、車載センサーは軌道に沿って走行するときにデータを収集し、車載プロセッサは収集したデータを使って機械学習モデルを訓練することができる。 車両の高移動性を考慮した場合,遅延を学習パラメータとして考慮し,許容しきい値以下に制限する。 このしきい値を満たすため、中央サーバは部分的に訓練されたモデル、分散路面ユニットを受け入れる。 (a)グローバルモデル分布遅延を最小化するためにダウンリンクマルチキャストビームフォーミングを行う。 b) 局部モデルオフロード遅延を最小限に抑えるために最適なアップリンク無線資源を割り当て, 車両エージェントは異種局所モデルトレーニングを行う。 現実世界の車両トレースデータセットを使用して、FLソリューションを検証する。 シミュレーションにより,提案する統合型flプラットフォームはロバストであり,ベースラインモデルよりも優れていることが示された。 合理的な局所訓練エピソードでは、全ての制約を効果的に満たし、ほぼ真実に近いマルチ水平速度と車両固有のパワー予測を提供することができる。

関連論文リスト

• 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)
• Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
  我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。 その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
  論文  参考訳（メタデータ） (2024-09-24T14:58:27Z)
• Mobility-Aware Federated Self-supervised Learning in Vehicular Network [8.30695698868618]
  Federated Learning(FL)は、高度な分散機械学習アプローチである。 ロードサイドユニット(RSU)にすべてのデータをアップロードすることなく、モデルを複数のデバイスで同時にトレーニングすることで、各車両のプライバシを保護する。 本稿では,ラベルを必要とせず,車載環境下での自己教師型学習のための事前学習段階として機能するFLSimCoという,画像ボケレベルからアグリゲーションへのFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-01T03:28:10Z)
• 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)
• VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
  車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。 車両の移動性と5G無線環境マップを組み合わせる。 VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
  論文  参考訳（メタデータ） (2023-11-30T17:38:54Z)
• Communication Resources Constrained Hierarchical Federated Learning for End-to-End Autonomous Driving [67.78611905156808]
  本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。 その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
  論文  参考訳（メタデータ） (2023-06-28T12:44:59Z)
• Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing [16.169301221410944]
  従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。 本稿では,車両ネットワークのAFLにおけるグローバルモデルの精度を向上させるために,DRLに基づく車両選択方式を提案する。 シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-04-06T02:40:00Z)
• MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected Vehicles [21.615151912285835]
  我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。 車両の移動性のため、基地局とICV間の接続は短命である。 本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
  論文  参考訳（メタデータ） (2022-12-07T08:53:53Z)
• 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)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)

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。