异质车联网数据的群联邦迁移学习共享方法研究

摘要

为了解决联邦学习在车联网中终端设备数据的异质性导致模型训练准确率不稳定和性能下降，以及车辆分布广泛，通信和计算资源有限的问题，提出一种数据类型和数据规模并行优化的群联邦迁移学习数据共享方法(swarm federated transfer learning, SFTL)。提出基于高斯混合模型的共识设备组划分机制，通过对数据分布建模构建共识设备组，实现对异质性数据的有效管理和分析；面向划分的共识设备组，设计蜂群学习训练机制，加强相似设备组之间的协同学习过程；提出组间迁移学习机制，通过模型预训练法增量迁移不同共识设备组信息最小化模型差异，提高联邦模型聚合准确率。在公共数据集上的实验表明：与基线方法相比，SFTL模型训练准确率平均提高7%,通信时间平均降低10%。

关键词

蜂群学习 / 联邦学习 / 车联网 / 高斯混合模型 / 迁移学习