一种面向车联网的联邦学习参与者选择算法

摘要

基于联邦学习的数据共享在车联网领域具有广泛的应用前景.作为一种原始数据仅在本地处理的分布式机器学习框架，联邦学习有效减少了车联网用户的隐私顾虑，并能够有效利用存储在车辆本地的海量道路数据.不过，不同车辆的数据分布异构、硬件资源受限、行为不可预测等因素对联邦学习的进一步应用提出了挑战.为此，本文提出了一种基于多目标优化的新型联邦学习参与者选择算法FedMOOCS,该算法将车辆的可信度、数据传输能力、算力、可用内存、剩余能量等指标作为优化目标，通过基于NSGA-II的多目标优化算法综合评估上述指标并在每一轮训练中选出最合适的参与者集.与3个基线方法的对比证实了该方案不仅能够显著提高联邦学习的性能，而且有效降低了每轮训练的平均时延.

关键词

车联网 / 联邦学习 / 客户端选择 / 多目标优化

基金资助

国家自然科学基金项目(62462029,62062006,62262018,62362029)资助; 海南省自然科学基金项目(625RC758)资助; 海南省高等学校教育教学改革项目(Hnjg2024-59)资助