受限用户可用性下的联邦学习
原文中文，约400字，阅读约需1分钟。发表于：。Federated Learning (FL) 是一种分散式机器学习框架，可以实现协作模型训练并保护数据隐私。本论文提出了一种名为 Random Access Model (RAM) 的通用用户选择机制，通过延伸 FL 问题的风险感知目标函数，使用 Conditional Value-at-Risk (CVaR) 方法，设计了一种与 RAM 无关的高效训练算法，实验证明在各种情景下与标准...
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关键特性和方法学，并回顾了与车辆中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。
