智能交通系统中的联邦学习：最近的应用和待解决问题

原文约400字，阅读约需1分钟。发表于：。

综合调查了智能交通系统中联邦学习的最新发展，研究了 ITS 中普遍的挑战，阐明了应用联邦学习的动机，并讨论了在物体识别、交通管理和服务提供等场景中的潜在问题。还分析了联邦学习部署引入的新挑战和其潜在的局限性，包括不均匀的数据分布、有限的存储和计算能力，以及潜在的隐私和安全问题。最后，讨论了应用联邦学习在 ITS 中仍需解决的挑战，并提出了几个未来的研究方向。

本文综述了联邦学习在自动化车辆中的应用进展，分析了中心化和分散化联邦学习框架的特性和方法学，并回顾了与联邦学习相关的多样数据来源、模型和数据安全技术。同时，探讨了联邦学习的特定应用，并提供了每个应用所采用的基本模型和数据集的见解。最后，列出了FL4CAV面临的现有挑战，并讨论了进一步提升FL在CAV背景下的效果和效率的潜在方向。