FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles

本文介绍了车联网（IoV）作为自动驾驶和智能交通系统（ITS）的关键组成部分，通过在包括车辆、基础设施、行人和云的密集互联网络中实现低延迟大数据处理来实现。自动驾驶车辆严重依赖于机器学习（ML），可以从在边缘产生的丰富传感数据中获益，这需要采取措施来协调模型训练和保护敏感用户数据的隐私。联邦学习（FL）是在保护道路用户隐私和减轻通信开销的同时，在车载网络中训练复杂的ML模型的有前途的解决方案。本文研究了最先进的YOLOv7模型的联邦优化，以解决数据异构性、不平衡性、概念漂移和标签分布偏斜等问题，以实现实时目标检测。为此，我们介绍了FedPylot，这是一个轻量级的基于MPI的原型，用于在高性能计算（HPC）系统上模拟联邦目标检测实验，我们使用混合加密来保护服务器-客户端通信。我们的研究考虑了准确性、通信成本和推理速度，从而提出了一种平衡的方法来应对自动驾驶车辆面临的挑战。我们展示了FL在IoV中的应用前景，并希望FedPylot能为未来的联邦实时目标检测研究提供基础。源代码可在https://github.com/cyprienquemeneur/fedpylot上获得。

本论文旨在解决自动驾驶和智能交通系统中的实时目标检测问题，并保护用户隐私。

论文采用联邦学习方法，使用轻量级MPI原型FedPylot，在高性能计算系统上模拟联邦目标检测实验，解决了数据异构性和标签分布偏斜等问题。

论文考虑了准确性、通信成本和推理速度等因素，实验结果表明联邦学习在IoV中具有应用前景。同时，论文提供了开源代码。

与本论文相关的研究包括《Federated Learning for Autonomous Vehicles: Recent Advances and Open Challenges》、《Privacy-Preserving Object Detection with Federated Learning》等。