高速车联网场景下分簇式无线联邦学习算法

摘要：

现有无线联邦学习框架缺乏对实际的分布式高速车联网(IoV)场景的有效支持.针对该场景下的分布式学习问题,提出了一种基于随机网络拓扑模型的分布式训练算法——分簇式无线联邦学习算法(C-WFLA).首先,该算法基于高速公路场景下的车辆分布情况设计网络模型;其次,该算法考虑了用户端进行上行数据传输时的路径衰落、瑞利衰落等因素;最后,该算法设计了基于分簇式训练的无线联邦学习方法.利用所提算法对手写体识别模型进行了训练与测试,仿真结果表明:在信道状态较好、用户发射功率受限较小的情况下,传统无线联邦学习算法与C-WFLA在相同的训练条件下损失函数均能收敛至相近的数值,且C-WFLA收敛更快;而在信道状态较差、用户发射功率受限较大的情况下,C-WFLA损失函数收敛值相较于传统的集中式算法可以降低10％～50％.可见,C-WFLA更有助于高速IoV场景下的模型训练.

关键词：无线联邦学习、随机拓扑、车联网、分布式学习、分簇算法

所属期刊栏目：41

分类号：TN929.5

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;中国博士后科学基金;江苏省交通技术改造项目

在线出版日期：2021-07-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1546-1550