CRS: A Privacy-Preserving Two-Layered Distributed Machine Learning Framework for IoV
Notice bibliographique
Résumé
Nowadays, vehicles can provide many valuable data (such as the videos recorded by dashcams) for analytical model building. Integrating vehicular ad hoc networks with the Internet of Things (IoT), the Internet of Vehicles (IoV) has a promising future. In IoV, vehicles maintain their own communication, computing, and learning capabilities. Thus, instead of sending the data to a central server for model training, which leads to a high communication overhead, vehicles can train the data locally. However, it is still a challenge to preserve the privacy while keeping both the communication and computation overheads of vehicles acceptable. In this article, we present a distributed machine learning framework with a two-layered architecture. The architecture uniquely involves vehicle clusters, roadside units, and a central server, which provides a basic guarantee to the vehicle privacy and also limits the overhead. By carefully adopting cryptographic tools and techniques, the framework has the following properties: 1) it preserves the privacy of the local inputs and model weight vectors to all parties; 2) it protects the identities and trajectories of vehicles; 3) packet loss is handled in the application layer; 4) the evaluation shows that it is lightweight for vehicles. Compared with other existing works, the proposed framework is more suitable for IoV.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,038 | 0,042 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».