Asynchronous Federated Learning for Edge-assisted Vehicular Networks

要約

車両ネットワークは、車両が学習データを通じてリアルタイムの車両用アプリケーションをサポートすることを可能にします。車両は計算能力が限られているため、通常、データをネットワークエッジにあるロードサイドユニット（RSU）に送信し、データを処理します。しかし、車両はプライバシーの問題から、互いにデータを共有することに抵抗がある。従来の連合学習（FL）では、車両はローカルにデータを学習してローカルモデルを取得し、グローバルモデルを更新するためにローカルモデルをRSUにアップロードする。したがって、データの代わりにモデルパラメータを共有することによって、データプライバシーを保護することができる。従来のFLは、同期的にグローバルモデルを更新します。つまり、RSUは、グローバルモデル更新のために、すべての車両がモデルをアップロードするのを待つ必要があります。しかし、車両は通常、学習によってローカルモデルを取得する前にRSUのカバー範囲外を走行する可能性があり、グローバルモデルの精度を低下させる。この問題を解決するために、RSUが車両からローカルモデルを受け取るとグローバルモデルを更新する非同期連携学習（AFL）を提案する必要がある。しかし、データ量、計算能力、車両の移動性などがグローバルモデルの精度に影響する可能性がある。本論文では、データ量、計算能力、車両の移動性を考慮し、グローバルモデルの精度を向上させるAFL方式を設計する。広範なシミュレーション実験により、本方式がFL方式を凌駕することが実証された。

要約(オリジナル)

Vehicular networks enable vehicles support real-time vehicular applications through training data. Due to the limited computing capability, vehicles usually transmit data to a road side unit (RSU) at the network edge to process data. However, vehicles are usually reluctant to share data with each other due to the privacy issue. For the traditional federated learning (FL), vehicles train the data locally to obtain a local model and then upload the local model to the RSU to update the global model, thus the data privacy can be protected through sharing model parameters instead of data. The traditional FL updates the global model synchronously, i.e., the RSU needs to wait for all vehicles to upload their models for the global model updating. However, vehicles may usually drive out of the coverage of the RSU before they obtain their local models through training, which reduces the accuracy of the global model. It is necessary to propose an asynchronous federated learning (AFL) to solve this problem, where the RSU updates the global model once it receives a local model from a vehicle. However, the amount of data, computing capability and vehicle mobility may affect the accuracy of the global model. In this paper, we jointly consider the amount of data, computing capability and vehicle mobility to design an AFL scheme to improve the accuracy of the global model. Extensive simulation experiments have demonstrated that our scheme outperforms the FL scheme

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL