Low-Cost Federated Broad Learning for Privacy-Preserved Knowledge Sharing in the RIS-Aided Internet of Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-efficiency and low-cost knowledge sharing can improve the decision-making ability of autonomous vehicles by mining knowledge from the Internet of Vehicles (IoVs). However, it is challenging to ensure high efficiency of local data learning models while preventing privacy leakage in a high mobility environment. In order to protect data privacy and improve data learning efficiency in knowledge sharing, we propose an asynchronous federated broad learning (FBL) framework that integrates broad learning (BL) into federated learning (FL). In FBL, we design a broad fully connected model (BFCM) as a local model for training client data. To enhance the wireless channel quality for knowledge sharing and reduce the communication and computation cost of participating clients, we construct a joint resource allocation and reconfigurable intelligent surface (RIS) configuration optimization framework for FBL. The problem is decoupled into two convex subproblems. Aiming to improve the resource scheduling efficiency in FBL, a double Davidon–Fletcher–Powell (DDFP) algorithm is presented to solve the time slot allocation and RIS configuration problem. Based on the results of resource scheduling, we design a reward-allocation algorithm based on federated incentive learning (FIL) in FBL to compensate clients for their costs. The simulation results show that the proposed FBL framework achieves better performance than the comparison models in terms of efficiency, accuracy, and cost for knowledge sharing in the 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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle