지속 가능한 지능형 교통 시스템을 위한 적응형 세분화 강화 비동기 연합 학습

고급 임베디드 및 통신 기술의 확산은 현대 지능형 교통 시스템(ITS)의 가능성을 촉진했습니다. 이러한 대규모 분산 시스템의 계층적 특성은 확장 가능하고 지속 가능한 컴퓨팅 환경을 생성하는 데 명백한 도전을 가져오며, 따라서 엣지 인텔리전스의 개발 및 응용이 중요해집니다. 연합 학습(FL)은 새로운 분산 기계 학습 패러다임으로, 여러 장치 간에 안전한 지식 공유 및 효과적인 학습을 제공하는 것을 목표로 합니다. 그러나 전통적인 FL은 빠르게 움직이는 장치와 변화하는 네트워크 속성을 가진 대규모 및 네트워크 비의존 시스템에 직면할 때 문제가 발생할 수 있습니다. 이 연구에서는 지속 가능한 ITS에서 학습 효율성과 신뢰성을 개선하기 위해 적응형 세분화 강화 비동기 연합 학습(AS-AFL) 모델을 제안합니다. 구체적으로, 메타 학습 기반의 적응형 세분화 체계가 설계되어 고객 노드(예: 차량)를 동질적 속성에 따라 여러 엣지 그룹으로 자동으로 분리합니다. 이후 유사한 고객 노드 그룹 간의 수평 FL을 실현하기 위해 이른바 그룹 내 동기화 집계 방식으로 통합 집계 메커니즘이 개발되며, 서로 다른 그룹 간의 수직 FL을 위해 이른바 그룹 간 비동기 집계 방식이 허용됩니다. 공개 데이터 세트를 기반으로 한 실험 및 평가 결과는 분산 ITS 응용 시나리오에서 전통적인 여러 FL 방식에 비해 우리의 제안된 모델의 뛰어난 학습 및 통신 성능을 보여줍니다.