مقاله Feddrivescore: رفتار محرک امتیاز دهی فدرال با ترکیبی از توزیع های متریک

چکیده

Scoring the driving performance of various drivers on a unified scale, based on how safe or economical they drive on their daily trips, is essential for the driver profile task. Connected vehicles provide the opportunity to collect real-world driving data, which is advantageous for constructing scoring models. However, the lack of pre-labeled scores impede the use of supervised regression models and the data privacy issues hinder the way of traditionally data-centralized learning on the cloud side for model training. To address them, an unsupervised scoring method is presented without the need for labels while still preserving fairness and objectiveness compared to subjective scoring strategies. Subsequently, a federated learning framework based on vehicle-cloud collaboration is proposed as a privacy-friendly alternative to centralized learning. This framework includes a consistently federated version of the scoring method to reduce the performance degradation of the global scoring model caused by the statistical heterogeneous challenge of local data. Theoretical and experimental analysis demonstrate that our federated scoring model is consistent with the utility of the centrally learned counterpart and is effective in evaluating driving performance.

چکیده به فارسی (ترجمه ماشینی)

به دست آوردن عملکرد رانندگی رانندگان مختلف در مقیاس یکپارچه ، بر اساس اینکه چقدر ایمن یا اقتصادی در سفرهای روزانه خود رانندگی می کنند ، برای کار مشخصات راننده ضروری است.وسایل نقلیه متصل فرصتی برای جمع آوری داده های رانندگی در دنیای واقعی ، که برای ساخت مدل های امتیاز دهی سودمند است.با این حال ، عدم وجود نمرات از پیش برچسب مانع استفاده از مدلهای رگرسیون تحت نظارت و مسائل مربوط به حفظ حریم خصوصی داده ها مانع راه یادگیری سنتی داده شده در سمت ابر برای آموزش مدل می شود.برای پرداختن به آنها ، یک روش امتیاز دهی بدون نظارت بدون نیاز به برچسب ها ارائه می شود در حالی که هنوز هم در مقایسه با استراتژی های امتیاز دهی ذهنی ، انصاف و عینیت را حفظ می کند.پس از آن ، یک چارچوب یادگیری فدرال مبتنی بر همکاری خودرو و ابر به عنوان یک گزینه جایگزین دوستانه برای یادگیری متمرکز ارائه شده است.این چارچوب شامل یک نسخه مداوم فدرال از روش امتیاز دهی برای کاهش تخریب عملکرد مدل امتیاز دهی جهانی ناشی از چالش ناهمگن آماری داده های محلی است.تجزیه و تحلیل نظری و تجربی نشان می دهد که مدل امتیاز دهی فدرال ما با کاربرد همتای مرکزی آموخته سازگار است و در ارزیابی عملکرد رانندگی مؤثر است.