RCFL: Redundancy-Aware Collaborative Federated Learning in Vehicular Networks
Notice bibliographique
Résumé
In vehicular networks (VNets), vehicular federated learning (VFL) is a new learning paradigm that can protect data privacy of vehicle nodes (VNs) while training models. In VFL, the importance of data (IoD) is a key factor that affects model training accuracy. However, due to the heterogeneity of data in the VFL, it is a challenge to evaluate the quality of data owned by different VNs and design an efficient federated learning scheme to enable the VNs to complete learning tasks collaboratively. In this paper, we consider the IoD and propose a redundancy-aware collaborative federated learning (RCFL) scheme for the VFL. In the scheme, by jointly considering the data quality and the cooperation among VNs, we first design a redundancy-aware federated learning architecture to efficiently provide learning services in VNets. Then, we develop a data importance model that integrates the non-independent and identically distributed (non-IID) degree and the redundancy of data (RoD) to evaluate the data quality and formulate the cooperation of the VNs as a coalition game to improve their data importance, where the equilibrium of the coalition game is obtained by designing a coalition formation algorithm. After that, by considering the diversified characteristics of data and the available resources of different VNs in each coalition, a coalition-based federated learning algorithm is designed to enable the distributed coalitions to complete the learning task cooperatively with the target of improving the learning accuracy. The simulation results show that the proposed scheme outperforms the benchmark schemes in terms of the IoD obtained by the VNs and the training accuracy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».