不可靠通信下的联邦抗干扰模型优化方案

摘要

针对蜂窝车联网（Cellular-Vehicle to Everything,C-V2X）通信场景下无线信道受到干扰导致通信过程中可能存在信息丢失的情况，通过对联邦分布式随机梯度下降（Federated Learning-Distributed Stochastic Gradient Descent,FL-DSGD）进行抗干扰模型更新机制的优化以减少上述通信链路不可靠情况的影响.该方案首先建立车辆与基站的通信链路及传输模型参数；然后在通信链路不可靠导致模型参数在传输过程中部分缺失的情况下，根据链路可靠性混合权重矩阵，利用车辆上存储的本地模型以及基站存储的全局模型参与当前轮次联邦学习的模型更新，以填充丢失的模型参数.仿真结果表明：在通信链路不可靠的情况下，FL-DSGD方案达到90%的训练准确率以及85%的测试准确率所需的通信轮次约为分布式基线方案所需通信轮次的50%.

关键词

联邦学习 / 车联网 / 随机梯度下降