深度学习是具有自动驾驶汽车和智能交通基础设施的合作智能运输系统(C-ITS)的环境感知功能的关键方法。在当今的C-IT中,智能流量参与者能够及时生成和传输大量数据。但是,由于隐私限制,这些数据不能直接用于模型培训。在本文中,我们介绍了一个联合学习框架应对等级异质性(H2-FED),该框架可以显着增强常规的预训练的深度学习模型。该框架利用车辆网络中连接的公共交通代理的数据,而不会影响用户数据隐私。通过协调包括路边单元和道路交通云在内的现有交通基础设施,该模型参数可有效地通过车辆通信和层次汇总进行分发。考虑到交通代理和路边单元之间数据分布,计算和通信功能的个人异质性,我们采用一种新方法来解决框架体系结构不同聚合层的异质性,即路边单元和云的集合。实验结果表明,根据当前通信网络中异质性的知识,我们的方法可以很好地平衡学习准确性和稳定性。与其他基线方法相比,联合数据集的评估表明,我们的框架更具通用性和功能,尤其是在沟通质量低的应用程序方案中。即使90%的代理人及时断开连接,预先训练的深度学习模型仍然可以稳定融合,并且收敛后其准确性可以从68%提高到90%以上。
translated by 谷歌翻译