高速车联网场景下分簇式无线联邦学习算法

• 作者: 王家瑞 谭国平 周思源
• 来源期刊: 计算机应用
• 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
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 2020年全国开放式分布与并行计算学术年会(DPCS 2020)|National Open Distributed and Parallel Computing Conference 2020 (DPCS 2020)
• 页码范围: 1546-1550
• 页数: 5页
• 分类号: TN929.5
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020121912

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.