Core Concepts
연합 학습과 TabNet을 결합하여 차량 데이터의 장애물, 불규칙성 및 포장 유형 분류를 수행하고 최대 93.6%의 테스트 정확도를 달성했다.
Abstract
이 논문에서는 연합 학습(FL)을 차량 사용 사례에 적용하여 도로의 장애물, 불규칙성 및 포장 유형을 분류하는 방법을 제안한다. 제안된 프레임워크는 FL과 TabNet, 최신 테이블 데이터용 신경망을 활용한다. 이는 TabNet을 FL과 통합한 최초의 시도이다. 또한 최대 93.6%의 테스트 정확도를 달성했다. 마지막으로 이 데이터 세트에 FL이 적합한 개념임을 설명한다.
데이터 세트는 가속도계가 장착된 스마트폰을 사용하여 수집되었다. 이 데이터는 세 가지 분류 작업으로 구성된다: 1) 아스팔트 규칙성, 2) 포장 유형, 3) 아스팔트 장애물.
제안된 프레임워크는 다음과 같은 단계로 구성된다:
초기 서버 모델을 클라이언트(노드)에 배포
로컬 학습 데이터로 로컬 모델 학습
실제 상황을 반영하기 위해 로컬 학습 데이터에 새 인스턴스 추가
로컬 검증 데이터로 로컬 모델 검증
모델 업데이트를 서버에 전송
서버에서 모델 업데이트 통합 및 테스트 데이터 평가
실험 결과, 연합 학습과 TabNet의 조합은 모든 데이터 세트에서 우수한 성능을 보였다. 아스팔트 규칙성 데이터 세트에서 최대 93.6%의 테스트 정확도를, 포장 유형 데이터 세트에서 86.7%의 정확도를, 아스팔트 장애물 데이터 세트에서 68.0%의 정확도를 달성했다. 이는 기존 연구와 유사한 수준의 성능이다.
향후 연구에서는 더 작은 데이터 세트에 대한 하이퍼파라미터 튜닝, 다른 FL 최적화 알고리즘 성능 평가, 회귀 작업에 대한 TabNet과 FL의 결합 등을 수행할 계획이다. 또한 TabNet과 FL의 성능을 중앙집중식 접근 방식과 비교하고 통신 노력의 차이를 연구할 예정이다.
Stats
아스팔트 규칙성 데이터 세트에서 최대 93.6%의 테스트 정확도 달성
포장 유형 데이터 세트에서 최대 86.7%의 테스트 정확도 달성
아스팔트 장애물 데이터 세트에서 최대 68.0%의 테스트 정확도 달성
Quotes
"연합 학습과 TabNet을 결합하여 차량 데이터의 장애물, 불규칙성 및 포장 유형 분류를 수행하고 최대 93.6%의 테스트 정확도를 달성했다."
"이는 TabNet을 FL과 통합한 최초의 시도이다."
"마지막으로 이 데이터 세트에 FL이 적합한 개념임을 설명한다."