Föderiertes Lernen für das Fahrzeug-Internet der Dinge: Jüngste Fortschritte und offene Fragen

Föderiertes Lernen (FL) ist ein verteilter Ansatz des maschinellen Lernens, der das Ziel des kollaborativen Lernens aus einer großen Menge von Daten, die verschiedenen Parteien gehören, ohne das Teilen der Rohdaten unter den Datenbesitzern erreichen kann. FL kann die Rechenfähigkeiten mehrerer Lernagenten ausreichend nutzen, um die Effizienz des Lernens zu verbessern und gleichzeitig eine bessere Datenschutzlösung für die Datenbesitzer zu bieten. FL zieht aufgrund wachsender Datenschutzbedenken erhebliches Interesse aus einer Vielzahl von Branchen an. Zukünftige fahrzeugbezogene Internet der Dinge (IoT)-Systeme, wie kooperatives autonomes Fahren und intelligente Transportsysteme (ITS), umfassen eine große Anzahl von Geräten und datensensitiven Informationen, bei denen die Kommunikations-, Rechen- und Speicherressourcen effizient genutzt werden müssen. FL könnte ein vielversprechender Ansatz zur Lösung dieser bestehenden Herausforderungen sein. In diesem Papier führen wir zunächst eine kurze Umfrage zu bestehenden Studien über FL und dessen Verwendung in drahtlosem IoT durch. Dann diskutieren wir die Bedeutung und technischen Herausforderungen der Anwendung von FL im fahrzeugbezogenen IoT und weisen auf zukünftige Forschungsrichtungen hin.