Core Concepts
フェデレーティッド学習を用いて、データ異質性の課題に取り組み、協調知覚の精度を向上させる。
Abstract
本研究は、協調知覚(CP)タスクのためのフェデレーティッド学習フレームワークを提案している。CPは未来の交通システムの効率と安全性を高めるために不可欠であるが、車両間のデータ共有により重大なプライバシーの懸念が生じる。フェデレーティッド学習は、データプライバシーを保護しつつ、知覚、意思決定、計画の協調的な向上を可能にする有望なソリューションを提供する。
しかし、フェデレーティッド学習は、クライアント間のデータ異質性から重大な課題に直面し、モデルの精度低下や収束期間の長期化を招く可能性がある。本研究では、フェデレーティッド動的加重集約(FedDWA)アルゴリズムと動的調整損失(DALoss)関数を導入することで、このデータ異質性の課題に取り組む。
FedDWAは、クライアントの寄与度を動的に調整することで、モデルの収束を促進する。DALossは、クライアントとサーバ間のKL divergenceを利用して、非IIDデータの影響を軽減する。
OpenV2Vデータセットを用いた実験では、提案手法が平均IoUを大幅に向上させ、通信オーバーヘッドも削減できることを示した。これらの結果は、提案フェデレーティッド学習フレームワークがデータ異質性の課題に対処し、協調知覚モデルの精度を向上させ、より堅牢で効率的な協調学習ソリューションを実現できることを示唆している。
Stats
クライアント1(バス)のIoUは10.72%に向上し、235回の通信ラウンドで達成された。
クライアント2(トラック)のIoUは15.91%に向上し、105回の通信ラウンドで達成された。
クライアント3(車A)のIoUは21.30%に向上し、484回の通信ラウンドで達成された。
クライアント4(車B)のIoUは19.35%に向上し、100回の通信ラウンドで達成された。