基于双层联邦学习的高动态车联网业务边缘协作计算机制OA北大核心CSTPCD

联邦学习作为一种新兴的分布式机器学习架构,允许车联网中多个车辆终端进行本地模型训练,并在兼顾数据隐私保护的条件下实现模型的全局聚合,从而提供可靠的车联网服务.然而,在联邦学习训练过程中,车辆终端往往因其高移动性在不同区域间切换训练,导致全局模型精度低.此外,恶意终端频繁上传无效或错误模型数据将导致车联网服务可靠性差.因此,本文提出了一种基于双层联邦学习的高动态车联网业务边缘协作计算机制.首先,综合考虑车辆终端的移动性、计算能力和可靠性,构建了终端…查看全部>>