VREM-FL : Co-conception Sensible à la Mobilité du Planification de Calcul pour l'Apprentissage Fédéré Véhiculaire

La conduite assistée et autonome gagne rapidement de l'ampleur et deviendra bientôt une réalité. L’intelligence artificielle et l’apprentissage automatique sont considérés comme des piliers essentiels, grâce à la quantité massive de données que les véhicules intelligents collecteront à partir de leurs capteurs embarqués. L’apprentissage fédéré s’impose comme l’une des techniques les plus prometteuses pour entraîner des modèles d’apprentissage automatique globaux tout en préservant la confidentialité des données des véhicules et en optimisant l’utilisation des ressources de communication. Dans cet article, nous proposons VREM-FL (Vehicular Radio Environment Map Federated Learning), une approche de co-conception calcul-planification dédiée à l’apprentissage fédéré dans les véhicules, qui intègre la mobilité des véhicules aux cartes de l’environnement radio 5G. VREM-FL optimise conjointement les performances d’apprentissage du modèle global et alloue de manière intelligente les ressources de communication et de calcul. Cette optimisation est réalisée en orchestrant de manière adaptative et prédictive les calculs locaux effectués sur les véhicules, ainsi que la transmission de leurs modèles locaux, en exploitant les cartes de canaux radio. L’algorithme proposé peut être ajusté pour établir un compromis entre le temps d’entraînement et la consommation de ressources radio. Les résultats expérimentaux montrent que VREM-FL surpasser les références de la littérature, tant pour un modèle de régression linéaire (réduction du temps d’apprentissage de 28 %) que pour un réseau de neurones profonds appliqué à la segmentation sémantique d’images (doublage du nombre de mises à jour du modèle dans la même fenêtre temporelle).