论文标题： Low-Cost Federated Broad Learning for Privacy-Preserved Knowledge Sharing in the RIS-Aided Internet of Vehicles

期刊：Engineering

作者：袁晓铭, 陈家辉, 张宁, 叶强, 李长乐, 朱春生, 沈学民

发表时间： February 2024

DOI：https://doi.org/10.1016/j.eng.2023.04.015

微信链接：点击此处阅读微信文章

文章速览

加拿大卡尔加里大学叶强研究团队在中国工程院院刊《Engineering》2024年2月刊发《基于低成本联邦宽度学习的智能超表面辅助车联网中隐私保护知识共享》一文，指出从车联网（IoV）中挖掘知识，利用高效率低成本的知识共享可以提高自动驾驶汽车的决策能力。然而，在高速移动的环境中，如何确保本地数据学习模型高效率的同时防止隐私泄露是一项挑战。为了在知识共享中保护数据隐私并提高数据学习效率，文章提出了一种异步联邦宽度学习（FBL）框架，该框架将宽度学习（BL）集成到联邦学习（FL）中。在FBL中，设计了一个宽度全连接模型（BFCM）作为训练客户端数据的本地模型。为了提高知识共享的无线信道质量并降低参与客户端的通信和计算成本，构建了一个针对FBL的联合资源分配和智能超表面（RIS）配置的优化框架。该问题被解耦为两个凸子问题。为了提高FBL的资源调度效率，利用双重Davidon–Fletcher–Powell（DDFP）优化算法来解决时隙分配和RIS配置问题。在资源调度结果的基础上，在FBL中设计了一种基于联邦激励学习的奖励分配算法，对客户端的成本进行补偿。仿真结果表明，所提出的FBL框架在IoV中知识共享的效率、准确性和成本方面相较对比模型能取得更好的性能。

关键词：

知识共享 ; 车联网 ; 联邦学习 ; 宽度学习 ; 智能超表面 ; 资源分配

原文链接：

https://doi.org/10.1016/j.eng.2023.04.015

扫二维码｜查看原文

推荐阅读

北航向锦武院士团队研发直升机驾驶机器人 推动有人飞行器无人化进程

清华大学研究团队：建筑全生命周期碳排放——内涵、计算和减量

杨春和院士：碳中和目标下深地储能及其挑战

欧盟发布全球首个人工智能监管法规

北京大学研究团队：通智测试——基于动态具身物理社会交互环境的通用人工智能测试