基于数字孪生的车载网络中的层次化联邦迁移学习

arXiv cs.LG 论文
federated-learning transfer-learning digital-twin vehicular-networks vanet privacy-preserving

摘要

本文针对基于数字孪生的车载自组网，提出了一种层次化联邦迁移学习（HFTL）方法，通过车辆聚类和数据质量评分机制来解决数据异质性和稀疏性问题，并抵御恶意车辆的攻击。

arXiv:2608.11532v1 公告类型：新 摘要：在基于数字孪生的车载自组网（DT-VANET）的最新研究中，联邦学习（FL）已展现出提供数据隐私的能力。然而，当面临车辆间数据异质性和数据稀疏性时，联邦学习难以充分训练全局模型，从而导致对不同车辆类型进行精确预测时准确率欠佳。为解决这些挑战，本文结合联邦迁移学习（FTL）进行与车辆类型相关的车辆聚类，并提出了一种新颖的层次化联邦迁移学习（HFTL）。我们构建了一个DT-VANET框架，并设计了两种算法，分别用于云服务器模型更新和簇内联邦迁移学习，以提高全局模型的准确性。此外，我们开发了一种基于数据质量评分的机制，以防止全局模型受到恶意车辆的影响。最后，我们在真实世界数据集上进行了详细实验，考虑了不同的性能指标，验证了我们算法的有效性和效率。
查看原文
查看缓存全文

缓存时间: 2026/08/13 15:36 

# 数字孪生车联网中的层次联邦迁移学习
来源：https://arxiv.org/html/2608.11532
## 数字孪生车联网中的层次联邦迁移学习 期刊：High-Confidence Computing

Qasim Ziaa, Saide Zhub, Haoxin Wanga, Zafar Iqbala, Yingshu Lia
作者单位：Department of Computer Science, Georgia State University, 7th Floor, 25 Park Place Bldg, Atlanta, 30303, GA, USA
作者单位：College of Information Sciences and Technology, Penn State Berks, 288 N. Burrowes

相似文章

面向车辆网络的联邦基础模型

arXiv cs.LG

本文提出了将多模态多任务联邦基础模型（M3T FedFMs）集成到车辆网络中的愿景，讨论了训练原理、应用场景、挑战以及基于Waymo开放数据集的案例研究。

FoggyTrust: 基于分层信任网络的鲁棒联邦学习

arXiv cs.LG

FoggyTrust是FLTrust的分层扩展，它将信任计算本地化到雾节点，提升了异构联邦学习场景下对拜占庭攻击的鲁棒性，在CIFAR-10上针对Krum和Trim等具有挑战性的攻击实现了超过50%的性能提升。