Zwei-Schichten-föderiertes Lernen mit heterogener Modellaggregation für das von 6G unterstützte Internet der Fahrzeuge

Die Vision der bevorstehenden 6G-Technologien, die hohe Datenraten, niedrige Latenzzeiten und ultraschmale Netzwerke bieten, zieht großes Interesse am Internet der Fahrzeuge (IoV) und der Fahrzeug-zu-Alles (V2X)-Kommunikation für intelligente Transportsysteme auf sich. Es besteht ein dringender Bedarf an verteilten maschinellen Lerntechniken, die die Vorteile massiv vernetzter Netzwerke mit einer explosiven Menge an heterogenen Daten, die am Netzwerkrand erzeugt werden, nutzen können. In dieser Studie wird ein zweischichtiges föderiertes Lernmodell vorgeschlagen, das die Vorteile der verteilten End-Edge-Cloud-Architektur nutzt, die typischen in einer 6G-Umgebung ist, um ein effizienteres und genaueres Lernen zu erreichen, während der Datenschutz gewährleistet und die Kommunikationsüberheadskosten reduziert werden. Ein neuartiges mehrschichtiges Verfahren zur Auswahl und Aggregation heterogener Modelle wird als Teil des föderierten Lernprozesses entworfen, um die lokalen und globalen Kontexte einzelner Fahrzeuge und roadside units (RSUs) besser in 6G-unterstützten Fahrzeugnetzen zu nutzen. Dieser kontextbewusste verteilte Lernmechanismus wird dann entwickelt und angewendet, um die intelligente Objekterkennung zu adressieren, die eine der kritischsten Herausforderungen in modernen intelligenten Transportsystemen mit autonomen Fahrzeugen darstellt. Evaluierungsergebnisse zeigten, dass die vorgeschlagene Methode, die eine höhere Lerngenauigkeit mit besserer Präzision, Recall und F1-Score demonstriert, andere state-of-the-art Methoden unter 6G-Netzwerkkonfigurationen übertrifft, indem sie eine schnellere Konvergenz erreicht und besser mit größeren Zahlen von RSUs skaliert, die im Lernprozess beteiligt sind.