面向鲁棒车辆目标检测的异构数据处理的联邦学习
原文中文，约600字，阅读约需2分钟。发表于：。在无人驾驶的精确感知模型的改进中，持续在线模型训练变得至关重要。联邦学习 (FL) 在车载网络中为模型训练提供了高效的机制，同时保持了原始感知数据的完整性。然而，FL 面临非分布相同的数据 (例如，数量偏斜) 问题，导致模型训练的收敛速度不理想。在以前的工作中，我们引入了 FedLA，一种创新的面向 FL 的标签感知聚合方法，用于解决通用场景中的数据异质性问题。本文中，我们引入了...
本文介绍了一种新的联邦学习方法FedProx+LA，用于解决车载网络中的数据异质性问题。研究结果显示FedProx+LA具有卓越的收敛速度，并在标签分布非常异质的情况下显示出显著的改进。与基准方法相比，FedLA和FedProx+LA的收敛速度提高了30%。
