Split Federated Learning Empowered Vehicular Edge Intelligence: Adaptive Parellel Design and Future Directions

为了实现未来车联网的无处不在的智能，人工智能（AI）至关重要，因为它可以从车辆数据中挖掘知识，以提高许多基于AI的车辆服务的质量。通过将AI技术与车联网相结合，车辆边缘智能（VEI）可以利用车辆的计算、存储和通信资源来训练AI模型。然而，在执行模型训练时，传统的集中式学习范式要求车辆将原始数据上传到中央服务器，这会导致显著的通信开销和隐私泄露的风险。在本文中，我们首先概述了VEI设计的系统架构、性能指标和面临的挑战。然后，我们提出利用分布式机器学习方案，即分裂联邦学习（SFL），来促进VEI的发展。我们提出了一种新颖的自适应和并行SFL方案，并对其性能进行了相应的分析。未来的研究方向强调了有效设计SFL的重要性。

本文旨在解决车联网中分布式机器学习的问题，提出了一种名为Split Federated Learning (SFL)的新方案，以减少通信开销和隐私泄露的风险。

本文提出了一种分布式机器学习方案Split Federated Learning (SFL)，通过将模型的训练过程分为多个阶段，减少了车辆上传原始数据的通信开销和隐私泄露的风险。

本文介绍了车联网中的VEI系统架构、性能指标和挑战，提出了一种新的分布式机器学习方案SFL，并进行了性能分析。该方案具有自适应和并行的特点，可以有效降低通信开销和隐私泄露的风险。未来的研究方向包括更高效的SFL设计和应用，以及更好的隐私保护技术。

近期的相关研究包括：'Federated Learning for Autonomous and Connected Vehicles: Opportunities and Challenges'，'A Survey of Federated Learning in Mobile and Wireless Networks'，'Secure Federated Transfer Learning for Industrial Internet of Things'等。