近日,智能车辆团队论文《Advance-FL: A3C-based Adaptive Asynchronous Online Federated Learning for Vehicular Edge Cloud Computing Networks》在IEEE Transactions on Intelligent Vehicles发表。

在智能网联汽车中应用联邦学习来提升自动驾驶模型的性能面临诸多挑战，如中央管理可扩展性差、异质车辆计算资源有限以及由于训练掉队导致效率低下等问题。本研究设计了一个计算卸载辅助框架，提出了一种基于深度强化学习的异步自适应在线联邦学习模型训练方法。首先，本研究首次提出了“掉队率”指标，用于量化车辆在所有模型训练参与者中的滞后程度，从而实现有针对性的缓解策略。进一步采用A3C方法实现了车辆自适应计算卸载与本地迭代次数的调整，并通过“掉队率”指标实现模型训练精度与训练掉队之间的动态平衡，从而有效缓解车辆计算资源短缺问题并提升模型训练效率。

主要贡献如下：

1）Advance-FL框架设计：针对车辆-边缘计算网络设计了一种自适应异步在线联邦学习框架，车辆可根据“掉队率”指标动态调整本地迭代次数，以克服训练掉队问题，提升联邦学习模型的初始训练速度。

2）基于A3C的计算卸载方法：将深度强化学习与异步联邦学习框架进行有机结合，提出了一种基于A3C的自适应计算卸载方法，以缓解车辆的计算压力。

3）静态和动态场景下的方法验证：在联邦学习模拟环境和实际测试平台进行了大量实验验证。与现有的方法相比，本方法在应对掉队效应、长期运行、大规模数据集以及异常情况下均体现出良好的可扩展性以及鲁棒性。

论文作者：马贵福、边有钢、秦洪懋、殷陈龙、陈超义、李升波、李克强

论文链接：https://ieeexplore.ieee.org/document/10506671