論文の概要: Anti-Byzantine Attacks Enabled Vehicle Selection for Asynchronous Federated Learning in Vehicular Edge Computing

• arxiv url: http://arxiv.org/abs/2404.08444v1
• Date: Fri, 12 Apr 2024 12:56:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 15:06:48.518563
• Title: Anti-Byzantine Attacks Enabled Vehicle Selection for Asynchronous Federated Learning in Vehicular Edge Computing
• Title（参考訳）: ベクトルエッジコンピューティングにおける非同期フェデレーション学習のための車両選択を可能にする抗ビザンチン攻撃
• Authors: Cui Zhang, Xiao Xu, Qiong Wu, Pingyi Fan, Qiang Fan, Huiling Zhu, Jiangzhou Wang,
• Abstract要約: 車両エッジコンピューティング(VEC)では、非同期フェデレーション学習(AFL)が使用され、エッジがローカルモデルを受け取り、グローバルモデルを更新する。 本稿では,深部強化学習(DRL)に基づく車両選択手法を提案する。
• 参考スコア（独自算出の注目度）: 31.751968463777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In vehicle edge computing (VEC), asynchronous federated learning (AFL) is used, where the edge receives a local model and updates the global model, effectively reducing the global aggregation latency.Due to different amounts of local data,computing capabilities and locations of the vehicles, renewing the global model with same weight is inappropriate.The above factors will affect the local calculation time and upload time of the local model, and the vehicle may also be affected by Byzantine attacks, leading to the deterioration of the vehicle data. However, based on deep reinforcement learning (DRL), we can consider these factors comprehensively to eliminate vehicles with poor performance as much as possible and exclude vehicles that have suffered Byzantine attacks before AFL. At the same time, when aggregating AFL, we can focus on those vehicles with better performance to improve the accuracy and safety of the system. In this paper, we proposed a vehicle selection scheme based on DRL in VEC. In this scheme, vehicle s mobility, channel conditions with temporal variations, computational resources with temporal variations, different data amount, transmission channel status of vehicles as well as Byzantine attacks were taken into account.Simulation results show that the proposed scheme effectively improves the safety and accuracy of the global model.
• Abstract（参考訳）: 車両エッジコンピューティング(VEC)では、エッジがローカルモデルを受け取り、グローバルモデルを更新する非同期フェデレーション学習(AFL)が使用され、グローバルモデルの更新が効果的に行われる。 しかし、深層強化学習(DRL)に基づき、これらの要因を総合的に検討し、性能の悪い車両を可能な限り排除し、AFLより前にビザンツの攻撃を受けた車両を排除できる。 同時に、AFLを集約する場合、より優れた性能でこれらの車両に焦点を合わせ、システムの精度と安全性を向上させることができる。 本稿では,VECにおけるDRLに基づく車両選択方式を提案する。 本研究では, 車両の移動性, 時間的変動を伴うチャネル条件, 時間的変動を伴う計算資源, 異なるデータ量, 車両の送信チャネル状態, ビザンチン攻撃を考慮したシミュレーション結果から, 提案手法はグローバルモデルの安全性と精度を効果的に向上することを示した。

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)
• 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)
• 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)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation [24.8522516507395]
  Federated Learning(FL)は、車がクラウドに生データをアップロードすることなく、継続的なモデル更新を受けられる分散機械学習スキームである。 本稿では,動的スケーリング係数(DBAFL)を備えたブロックチェーンベースの非同期フェデレーション学習方式を提案する。 異種デバイスを用いた実験は, DBAFLの学習性能, 効率, 信頼性に優れていた。
  論文  参考訳（メタデータ） (2022-08-15T13:56:29Z)
• Attacking Deep Reinforcement Learning-Based Traffic Signal Control Systems with Colluding Vehicles [4.2455052426413085]
  本稿では,DRLをベースとしたATCSに対して,車両群が連携して偽情報を送信できる,新たな課題を定式化する。 CollusionVehは、道路状況エンコーダ、車両インタプリタ、通信機構で構成される汎用的で効果的な車両処理フレームワークである。 この研究結果は、ATCSの信頼性と堅牢性を改善し、スマートモビリティシステムを保護するのに役立つだろう。
  論文  参考訳（メタデータ） (2021-11-04T13:10:33Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)

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。