车辆间通信增强的动态调度联邦学习
原文中文,约300字,阅读约需1分钟。发表于: 。利用车辆的计算和感知能力,本文提出了一种车辆联邦学习(VFL)算法,通过直接车对车(V2V)通信增强 VFL 训练效率,并考虑能量限制和车辆的移动性问题来优化 VFL...
该文章介绍了一种基于多跳聚类的分层联邦学习框架,解决车辆自组织网络中的通信资源有限、车辆移动性高和数据分布多样性等问题。框架使用平均相对速度和FL模型参数的余弦相似度的加权组合作为聚类度量,确保收敛性。同时,框架还包括管理聚类头的平滑过渡机制和向指定簇头传递最新FL模型参数的新机制。通过广泛的仿真实验,证明了该分层联邦学习系统在提高准确性和收敛时间方面的显著改进,并维持了可接受的分组开销水平。