V2X-Boosted Federated Learning for Cooperative Intelligent Transportation Systems with Contextual Client Selection

要約

機械学習 (ML) は交通システムに革命をもたらし、自動運転とスマートな交通サービスを可能にします。
フェデレーテッド ラーニング (FL) は、分散システムで ML モデルをトレーニングし、生データの代わりにモデル パラメーターを交換することで、プライバシーの制約を克服します。
ただし、コネクテッドカーの動的な状態はネットワーク接続の品質に影響を与え、FL のパフォーマンスに影響を与えます。
この課題に取り組むために、Vehicle-to-Everything (V2X) メッセージを使用して、予測される通信遅延に基づいてクライアントを選択する、コンテキストに応じたクライアント選択パイプラインを提案します。
パイプラインには、(i) V2X メッセージの融合、(ii) 将来のトラフィック トポロジの予測、(iii) ローカル データ分散の類似性に基づいたクライアントの事前クラスタリング、(iv) 将来のモデル集約のための遅延が最小限のクライアントの選択が含まれます。
実験では、私たちのパイプラインがさまざまなデータセット、特に非 iid 設定でベースラインを上回るパフォーマンスを示しています。

要約(オリジナル)

Machine learning (ML) has revolutionized transportation systems, enabling autonomous driving and smart traffic services. Federated learning (FL) overcomes privacy constraints by training ML models in distributed systems, exchanging model parameters instead of raw data. However, the dynamic states of connected vehicles affect the network connection quality and influence the FL performance. To tackle this challenge, we propose a contextual client selection pipeline that uses Vehicle-to-Everything (V2X) messages to select clients based on the predicted communication latency. The pipeline includes: (i) fusing V2X messages, (ii) predicting future traffic topology, (iii) pre-clustering clients based on local data distribution similarity, and (iv) selecting clients with minimal latency for future model aggregation. Experiments show that our pipeline outperforms baselines on various datasets, particularly in non-iid settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google