双因子更新的车联网双层异步联邦学习研究

来源：电子与信息学报杂志2024年第7期北京时间：

作者：王力立, 吴守林, 杨妮, 黄成

单位：南京理工大学自动化学院 南京 210094

摘要：针对车联网(IoV)中节点资源异构、拓扑结构动态变化等特点，该文建立了一个双因子更新的双层异步联邦学习(TTAFL)框架。考虑到模型版本差和车辆参与联邦学习(FL)次数对局部模型更新的影响，提出基于陈旧因子和贡献因子的模型更新方案。同时，为了避免训练过程中，车辆移动带来路侧单元切换的问题，给出考虑驻留时间的节点选择方案。最后，为了减少精度损失与系统能耗，利用强化学习方法优化联邦学习的本地迭代次数与路侧单元局部模型更新次数。仿真结果表明，所提算法有效提高了联邦学习的训练效率和训练精度，降低了系统能耗。

关键词：车联网, 联邦学习, 异步训练, 深度强化学习