Contrat multi-dimensionnel pour le jumelage dans l'apprentissage fédéré dans l'Internet des véhicules activé par des UAV

Au-delà des sources de données terrestres, les fournisseurs de services basés sur des véhicules aériens sans pilote (UAV) pour la collecte de données et la formation de modèles d'IA, c'est-à-dire Drones-as-a-Service (DaaS), deviennent de plus en plus populaires dans les applications de l'Internet des véhicules (IoV) ces dernières années. Cependant, les réglementations strictes régissant la confidentialité des données empêchent potentiellement le partage de données entre UAV indépendamment possédés. À cette fin, nous proposons l'adoption d'une approche basée sur l'apprentissage fédéré (FL) pour permettre un apprentissage collaboratif en machine qui préserve la confidentialité pour le développement d'applications IoV, par exemple, pour la prédiction du trafic et la gestion de l'occupation des parkings. Étant donné l'asymétrie de l'information et les incohérences d'incitation entre les UAV et le propriétaire du modèle, nous tirons parti des propriétés d'auto-révélation d'un contrat multi-dimensionnel pour garantir un rapport fidèle des types d'UAV, tout en tenant compte des multiples sources d'hétérogénéité, par exemple, dans les coûts de détection et de transmission. Ensuite, nous adoptons l'algorithme de Gale-Shapley pour jumeler l'UAV au coût le plus bas à chaque sous-région. Les résultats de simulation valident la compatibilité des incitations de notre conception de contrat et montrent l'efficacité de notre jumelage.