FedAGL联邦学习框架

通信开销降一成

通过自适应参数控制、遗传算法带宽分配和LSTM加速，在不冻结整层参数的情况下减少非关键参数传输，实现车辆联邦网络通信开销与延迟的同步下降。

Liu, Su · 李玉帅 · Guan, Peiyuan · Li, Tianyi · 于炯 · Taherkordi, Amir · Jensen, Christian S.

IEEE Transactions on Intelligent Vehicles 2024

参数信息

通信开销降低最高

10.44 %

延迟降低最高

22.62 %

技术优势

只传关键参数

识别更新较小的参数并选择性传输，避免冻结整层，在保持模型精度的同时减少通信量。

LSTM加速分配

用遗传算法的分配结果训练LSTM模型，实现快速且高精度的带宽分配，降低计算延迟。

应用场景

• 车联网联邦学习：减少车辆间模型同步的通信量，加速协作训练。
• 自动驾驶数据隐私：在保持数据不离开车辆的前提下，实现自动驾驶模型的联邦训练。
• 车辆分布式计算：高效分配通信带宽，减少分布式训练的传输瓶颈。