ترجمه فارسی مقاله یادگیری خودنظارتی فدرال آگاه از تحرک در شبکه وسایل نقلیه

چکیده

Federated Learning (FL) is an advanced distributed machine learning approach, that protects the privacy of each vehicle by allowing the model to be trained on multiple devices simultaneously without the need to upload all data to a road side unit (RSU). This enables FL to handle scenarios with sensitive or widely distributed data. However, in these fields, it is well known that the labeling costs can be a significant expense, and models relying on labels are not suitable for these rapidly evolving fields especially in vehicular networks, or mobile internet of things (MIoT), where new data emerges constantly. To handle this issue, the self-supervised learning paves the way for training without labels. Additionally, for vehicles with high velocity, owing to blurred images, simple aggregation not only impacts the accuracy of the aggregated model but also reduces the convergence speed of FL. This paper proposes a FL algorithm based on image blur level to aggregation, called FLSimCo, which does not require labels and serves as a pre-training stage for self-supervised learning in the vehicular environment. Simulation results demonstrate that the proposed algorithm exhibits fast and stable convergence.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک رویکرد پیشرفته یادگیری ماشین توزیع شده است که با اجازه دادن به مدل در چندین دستگاه به طور همزمان و بدون نیاز به بارگذاری تمام داده ها در یک واحد جانبی جاده (RSU) ، از حریم خصوصی هر وسیله نقلیه محافظت می کند.این امر FL را قادر می سازد سناریوها را با داده های حساس یا گسترده توزیع شده اداره کند.با این حال ، در این زمینه ها به خوبی شناخته شده است که هزینه های برچسب زدن می تواند هزینه قابل توجهی باشد ، و مدل های متکی به برچسب ها برای این زمینه های به سرعت در حال تحول به ویژه در شبکه های وسایل نقلیه یا اینترنت موبایل (MIOT) مناسب نیستند ، جایی که داده های جدیددائماً ظهور می کند.برای رسیدگی به این مسئله ، یادگیری خود سنجی راه را برای آموزش بدون برچسب هموار می کند.علاوه بر این ، برای وسایل نقلیه با سرعت بالا ، به دلیل تصاویر تاری ، تجمع ساده نه تنها بر صحت مدل جمع شده تأثیر می گذارد بلکه سرعت همگرایی FL را نیز کاهش می دهد.در این مقاله یک الگوریتم FL مبتنی بر سطح تاری تصویر به تجمع به نام FLSIMCO ارائه شده است که نیازی به برچسب ندارد و به عنوان یک مرحله قبل از آموزش برای یادگیری خودکشی در محیط وسایل نقلیه خدمت می کند.نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی همگرایی سریع و پایدار را نشان می دهد.