Key points are not available for this paper at this time.
O aprendizado federado (FL) é uma abordagem de aprendizado de máquina distribuído que pode alcançar o objetivo de aprendizado colaborativo a partir de uma grande quantidade de dados que pertencem a diferentes partes, sem compartilhar os dados brutos entre os proprietários dos dados. O FL pode utilizar suficientemente as capacidades computacionais de múltiplos agentes de aprendizado para melhorar a eficiência do aprendizado, ao mesmo tempo em que oferece uma melhor solução de privacidade para os proprietários dos dados. O FL atrai um interesse tremendo de um grande número de indústrias devido às crescentes preocupações com a privacidade. Futuros sistemas de Internet das Coisas (IoT) veicular, como condução autônoma cooperativa e sistemas de transporte inteligentes (ITS), apresentam um grande número de dispositivos e dados sensíveis à privacidade, onde os recursos de comunicação, computação e armazenamento devem ser utilizados de maneira eficiente. O FL pode ser uma abordagem promissora para resolver esses desafios existentes. Neste artigo, primeiro fazemos uma breve pesquisa dos estudos existentes sobre FL e seu uso em IoT sem fio. Em seguida, discutimos a importância e os desafios técnicos da aplicação do FL em IoT veicular, e apontamos direções futuras de pesquisa.
Du et al. (Quarta-feira) estudaram essa questão.