論文の概要: Federated Learning in Intelligent Transportation Systems: Recent
Applications and Open Problems
- arxiv url: http://arxiv.org/abs/2309.11039v1
- Date: Wed, 20 Sep 2023 03:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 13:19:05.251895
- Title: Federated Learning in Intelligent Transportation Systems: Recent
Applications and Open Problems
- Title（参考訳）: 知的輸送システムにおける連合学習:最近の応用と課題
- Authors: Shiying Zhang, Jun Li, Long Shi, Ming Ding, Dinh C. Nguyen, Wuzheng
Tan, Jian Weng, Zhu Han
- Abstract要約: 分散機械学習技術として、フェデレーション・ラーニング(FL)はその優れたプライバシー保護特性のために広く注目を集めている。
FL for ITSの最近の展開を包括的に調査する。
我々は、さまざまなシナリオにおける既存のFLのデプロイメントをレビューし、オブジェクト認識、トラフィック管理、サービス提供シナリオにおける特定の潜在的な問題について議論する。
- 参考スコア（独自算出の注目度）: 30.511443961960147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent transportation systems (ITSs) have been fueled by the rapid
development of communication technologies, sensor technologies, and the
Internet of Things (IoT). Nonetheless, due to the dynamic characteristics of
the vehicle networks, it is rather challenging to make timely and accurate
decisions of vehicle behaviors. Moreover, in the presence of mobile wireless
communications, the privacy and security of vehicle information are at constant
risk. In this context, a new paradigm is urgently needed for various
applications in dynamic vehicle environments. As a distributed machine learning
technology, federated learning (FL) has received extensive attention due to its
outstanding privacy protection properties and easy scalability. We conduct a
comprehensive survey of the latest developments in FL for ITS. Specifically, we
initially research the prevalent challenges in ITS and elucidate the
motivations for applying FL from various perspectives. Subsequently, we review
existing deployments of FL in ITS across various scenarios, and discuss
specific potential issues in object recognition, traffic management, and
service providing scenarios. Furthermore, we conduct a further analysis of the
new challenges introduced by FL deployment and the inherent limitations that FL
alone cannot fully address, including uneven data distribution, limited storage
and computing power, and potential privacy and security concerns. We then
examine the existing collaborative technologies that can help mitigate these
challenges. Lastly, we discuss the open challenges that remain to be addressed
in applying FL in ITS and propose several future research directions.
- Abstract（参考訳）: インテリジェントトランスポートシステム(ITS)は、通信技術、センサー技術、IoT(Internet of Things)の急速な発展によって実現されている。
それにもかかわらず、車両ネットワークの動的な特性から、車両の挙動をタイムリーかつ正確に決定することはかなり困難である。
さらに、モバイル無線通信の存在下では、車両情報のプライバシーとセキュリティが常に危険にさらされている。
この文脈では、動的車両環境における様々なアプリケーションに対して、新しいパラダイムが緊急に必要となる。
分散機械学習技術として、フェデレーション・ラーニング(FL)はその優れたプライバシー保護特性と容易なスケーラビリティのために広く注目を集めている。
FL for ITSの最近の展開を包括的に調査する。
具体的には,まずITSにおける課題について検討し,様々な観点からFLの適用動機を明らかにする。
その後、さまざまなシナリオにわたる既存のFLのデプロイメントをレビューし、オブジェクト認識、トラフィック管理、サービス提供シナリオにおける潜在的な問題について議論する。
さらに、flの展開によってもたらされる新たな課題と、不均一なデータ分散、限られたストレージとコンピューティング能力、潜在的なプライバシとセキュリティに関する懸念など、flだけでは対処できない固有の制限について、さらなる分析を行う。
そして、これらの課題を軽減するのに役立つ既存のコラボレーション技術を調べます。
最後に,ITSにおけるFL適用の課題について考察し,今後の研究方向性について述べる。
関連論文リスト
- Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - Over-The-Air Federated Learning: Status Quo, Open Challenges, and Future
Directions [78.5371215066019]
オーバー・ザ・エア・フェデレーション・ラーニング(OTA-FL)は、ネットワークエッジのユーザがスペクトルリソースを共有でき、効率的で低レイテンシなグローバルモデルアグリゲーションを実現する。
本稿では,OTA-FLの進展を概観し,今後の研究方向性について述べる。
論文 参考訳（メタデータ） (2023-07-03T12:44:52Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。
HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
論文 参考訳（メタデータ） (2022-08-31T17:47:22Z) - 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) - AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。
MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
論文 参考訳（メタデータ） (2022-03-31T09:31:53Z) - Communication Efficiency in Federated Learning: Achievements and
Challenges [20.280125296921348]
フェデレートラーニング(FL)は、機械学習タスクを分散的に実行することで知られている。
本稿では,FL設定における通信制約を克服する研究について述べる。
論文 参考訳（メタデータ） (2021-07-23T02:13:11Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳（メタデータ） (2021-06-16T13:13:04Z) - Making a Case for Federated Learning in the Internet of Vehicles and
Intelligent Transportation Systems [6.699060157800401]
車両のインターネット(IoV)はインテリジェント交通システム(ITS)に変換されます。
これらの課題に対処するために,協調的分散知能技術である連合学習が提案されている。
多数のユースケースとメリットを備えたFederated Learningは、ITSの重要なイネーブラーであり、5Gおよびネットワークやアプリケーションを超えて広く実装される予定です。
論文 参考訳（メタデータ） (2021-02-19T20:07:17Z) - Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。
まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。
次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
論文 参考訳（メタデータ） (2021-02-15T14:19:55Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z)
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。