VREM-FL：移動性を考慮した車載フェデレーテッドラーニングにおける計算スケジューリング共同設計

補助運転および自律運転は急速に進展しており、間もなく現実のものとなる見通しである。スマートな車両が搭載センサーから収集する膨大なデータを活用できる点から、人工知能（AI）および機械学習（ML）はその実現を支える鍵となる技術とされている。フェデレーテッドラーニング（Federated Learning, FL）は、車両のデータプライバシーを守りつつ、通信リソースの効率的利用を実現する一方で、グローバルな機械学習モデルを訓練する上で最も有望な手法の一つである。本稿では、車両の移動性と5G無線環境マップを統合した、計算スケジューリング共同設計型のフェデレーテッドラーニング手法である「車両無線環境マップフェデレーテッドラーニング（Vehicular Radio Environment Map Federated Learning, VREM-FL）」を提案する。VREM-FLは、グローバルモデルの学習性能を最適化するとともに、通信リソースおよび計算リソースを知的に割り当てる。これは、無線チャネルマップを活用して、車両における局所的な計算と、その局所モデルの送信を適応的かつ予測的に統合することで実現される。提案アルゴリズムは、学習時間と無線リソース使用量のトレードオフを調整可能であり、柔軟な運用が可能である。実験結果から、線形回帰モデルにおいて学習時間を28％短縮し、セマンティック画像セグメンテーションに用いる深層ニューラルネットワークでは、同一時間枠内でのモデル更新回数を倍増させるという点で、既存のベンチマークを上回ることが明らかになった。