Core Concepts
フェデレーティッド・ラーニングを車載データに適用し、TabNetアルゴリズムを統合することで、高精度な道路状況の分類が可能となる。
Abstract
本研究では、フェデレーティッド・ラーニング(FL)を車載データに適用し、TabNetアルゴリズムを統合する手法を提案している。
まず、車載データから時系列特徴量を抽出し、TabNetに入力するための前処理を行う。その後、FLの枠組みの中でTabNetをクライアントごとに学習させ、サーバーで集約する手順を踏む。
実験の結果、アスファルトの状態分類では最大93.6%、舗装タイプ分類では最大86.7%、アスファルトの障害物分類では最大68.0%の精度を達成した。特に、アスファルトの障害物分類では、縦方向の段差を85.19%の高精度で分類できることが分かった。
FLを適用することで、プライバシーを保護しつつ、複数の車両が協調して学習を行うことができる。これにより、個々の車両では経験できない様々な道路状況を学習し、より高精度なモデルを構築できると考えられる。
Stats
道路の状態が良好な場合と劣化している場合の時系列データ長は最小66、最大4201、平均238と534
舗装タイプの時系列データ長は最小66、最大1543、平均246、518、484
道路の障害物の時系列データ長は最小111、最大736、平均191、256、330、457
Quotes
"我々は、TabNetとFLを組み合わせた初めての取り組みである。"
"TabNetとFLを組み合わせることで、他の最先端手法と同等の性能を達成できることを示した。"
"我々のフレームワークは、タブラーデータやタブラー化した時系列データにTabNetとFLを適用できる。"