Mobility Resilient Vehicular Federated Learning: Enhancing Training Efficiency in Dynamic Environments
Notice bibliographique
Résumé
The vehicular environment presents unique challenges, including massive data generation, stringent latency requirements for safety-critical applications, bandwidth limitations, and intermittent connectivity, which make centralized learning approaches impractical. Vehicular Federated Learning (VFL) enables distributed model training by leveraging local data from connected vehicles, while preserving data privacy and reducing network overhead. However, the dynamic nature of VFL presents several additional challenges. High vehicle mobility and unstable channels lead to inconsistent client participation, while heterogeneous vehicle capabilities result in unbalanced training workloads and competitive resource allocation. These challenges significantly degrade VFL model performance and prolong training periods. In this paper, we propose a Mobility Resilient Vehicular Federated Learning (MR-VFL) scheme, which comprises two key components: an amplification-based adaptive vehicular FL (AVFL) training scheme and a dual-timescale FL scheduler. Specifically, AVFL adapts local training epochs to vehicle capabilities to improve scheduling flexibility and alleviate the impact of insufficient local epochs on model updates, which enhances training efficiency and reduces communication competition. The dual-timescale FL scheduler includes a macro scheduling strategy that optimizes long-term VFL performance based on the correlation between convergence speed and model accuracy, and a Mamba-based real-time scheduler that enhances training efficiency and reduces decision latency in massive vehicles scenarios. Extensive simulations show that MR-VFL effectively mitigates performance degradation due to complex vehicle mobility and heterogeneity, and improves training efficiency.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,001 |
| 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 ».