Hierarchical Federated Transfer Learning in Digital Twin-Based Vehicular Networks
Di cosa parla
Propongono un modo per far collaborare i veicoli nell'addestramento di un modello comune mantenendo i dati di ogni mezzo privati. Per affrontare il problema di veicoli con pochi dati o dati molto diversi, combinano l'addestramento condiviso senza scambio di dati grezzi con il trasferimento di conoscenza tra gruppi di veicoli, organizzano il sistema su più livelli e introducono un controllo che valuta la qualità dei dati per escludere contributi malevoli; esperimenti su dati reali mostrano miglioramenti nell'accuratezza.
Cosa permette di osservare
Consente di esplorare se raggruppare i veicoli per tipo, applicare aggiornamenti a più livelli e filtrare contributi scarsi o sospetti può rendere più efficace un modello condiviso senza costringere i veicoli a condividere i propri dati grezzi.
Dalla fonte
In recent research on the Digital Twin-based Vehicular Ad hoc Network(DT-VANET), Federated Learning (FL) has shown its ability to provide data privacy. However, Federated learning struggles to adequately train a global model when confronted with data heterogeneity and data sparsity among vehicles, which ensure suboptimal accuracy in making precise predictions for different vehicle types. To address these challenges, this paper combines Federated Transfer Learning (FTL) to conduct vehicle clustering related to types of vehicles and proposes a novel Hierarchical Federated Transfer Learning (HFTL). We construct a framework for DT-VANET, along with two algorithms designed for cloud server model updates and intra-cluster federated transfer learning, to improve the accuracy of the global model. In addition, we developed a data quality score-based mechanism to prevent the global model from bei…