DOI: https://doi.org/10.1109/tmc.2026.3674333
تاريخ النشر: 2026-03-16
المؤلف: Yanan Ma وآخرون
الموضوع الرئيسي: التقنيات التي تحافظ على الخصوصية في البيانات
نظرة عامة
في هذا القسم، يقدم المؤلفون Sense4FL، وهو إطار عمل للتعلم الفيدرالي (FL) معزز بالحس الجماعي للمركبات، يهدف إلى تحسين اكتشاف الكائنات في القيادة الذاتية (AD) من خلال الاستفادة من جمع البيانات المعتمد على المسارات من المركبات. تسلط الدراسة الضوء على عدم كفاية طرق اختيار المركبات الحالية التي تتجاهل الطبيعة الديناميكية لجمع البيانات بناءً على مسارات المركبات. يستنتج المؤلفون حد تقارب للتعلم الفيدرالي يأخذ في الاعتبار تباين مسارات المركبات واحتمالات تحميل البيانات، مما يكشف أن تقليل خسارة التدريب يعادل تقليل مجموع مرجح لمسافات نقل الأرض المحلية والعالمية (EMD) بين توزيعات البيانات للمركبات الفردية ومجموعة البيانات العالمية.
يصوغ البحث مشكلة اختيار المركبات وجمع البيانات كأحد تحديات التحسين NP-hard ويقترح خوارزمية فعالة مع ضمان تقريب لمعالجتها. تظهر المحاكاة الواسعة باستخدام مجموعة بيانات nuImages أن Sense4FL يعزز بشكل كبير أداء اكتشاف الكائنات عبر سيناريوهات القيادة المختلفة مقارنة بالمعايير الحالية. يستنتج المؤلفون أنه بينما يركز البحث على اكتشاف الكائنات، يمكن تعديل اختيار المركبات المعتمد على المسار في الإطار لمهام حيوية أخرى في القيادة الذاتية، مثل تقسيم المعاني وتوقع المسارات، مما يقترح مجالات للبحث المستقبلي.
مقدمة
تناقش مقدمة البحث التقدمات والتحديات في القيادة الذاتية (AD)، مع تسليط الضوء على إمكانياتها لتعزيز سلامة الطرق، وتخفيف الازدحام المروري، وتقديم فوائد بيئية. على الرغم من التقدم الكبير، بما في ذلك نشر المركبات من المستوى 3 من قبل شركات مثل هوندا ومرسيدس-بنز وتشغيل سيارات الأجرة الذاتية القيادة من قبل وايمو، لا يزال النشر في العالم الحقيقي معوقًا بالحوادث والتحديات في تكييف نماذج الرؤية مع الظروف البيئية المتغيرة. تم تحديد قضية حاسمة وهي نقص التعميم في نماذج تصنيف واكتشاف الكائنات تحت سيناريوهات متنوعة، مما أدى إلى حوادث تتعلق بالمركبات الذاتية القيادة.
لمعالجة هذه التحديات، يقترح البحث إطار عمل جديد يسمى Sense4FL، الذي يستخدم التعلم الفيدرالي (FL) لتحسين قابلية تكيف نماذج الرؤية في القيادة الذاتية. يركز الإطار على اختيار المركبات المعتمد على المسار لتعزيز جمع البيانات وتدريب النماذج، معترفًا بأن الأساليب التقليدية للتعلم الفيدرالي غالبًا ما تتجاهل أهمية توزيع البيانات بناءً على مسارات المركبات. يستنتج المؤلفون حدًا علويًا للتقارب لإطار عمل Sense4FL باستخدام مقاييس مسافة نقل الأرض (EMD) ويصوغون مشكلة تحسين مشتركة لاختيار المركبات وجمع البيانات، والتي ثبت أنها NP-hard. تظهر الحلول المقترحة أداءً محسنًا في مهام اكتشاف الكائنات، خاصة مع نموذج YOLO على مجموعة بيانات nuImages، مما يشير إلى فعالية الإطار في تكييف النماذج مع البيئات المتغيرة.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على أهمية اختيار العملاء في تحسين التعلم الفيدرالي (FL) عند حافة الشبكة، خاصة في البيئات المركبات. اقترحت دراسات مختلفة استراتيجيات اختيار عملاء مختلفة لتعزيز أداء التعلم، مثل زيادة تحميل النماذج، وتحليل التقارب مع اختيار العملاء المنحاز، وتحسين تخصيص الموارد تحت قيود النطاق الترددي. ومع ذلك، تتجاهل العديد من الإطارات الحالية تأثير تنقل المستخدمين على أداء التعلم الفيدرالي، وهو أمر حاسم في السياقات المركبات حيث تعمل المركبات كجامعي بيانات متنقلين. يحدد المؤلفون فجوة في الأدبيات بشأن اعتماد توزيعات البيانات على مسارات المركبات، مما يمكن أن يؤدي إلى انحيازات ودقة متدهورة في تدريب النماذج.
لمعالجة هذه الفجوة، يقدم البحث إطار عمل Sense4FL، الذي يتضمن استراتيجيات اختيار المركبات المعتمد على المسار وجمع البيانات. يهدف هذا الإطار إلى تحسين أداء التعلم من خلال ضمان أن البيانات التي تجمعها المركبات تعكس التوزيع الأساسي للبيئة. يؤكد المؤلفون على أن تصميم عمليات اختيار المركبات وجمع البيانات أمر حاسم لتقليل انحياز النموذج وتعزيز دقة التدريب. يقدمون تحليل تقارب صارم، يثبت أن الحد العلوي لخسارة التدريب يتأثر بمقاييس تباين العملاء والعالم، مما يبرز أهمية محاذاة توزيعات البيانات المحلية مع التوزيع الإقليمي العام لتحقيق نتائج فعالة في التعلم الفيدرالي.
DOI: https://doi.org/10.1109/tmc.2026.3674333
Publication Date: 2026-03-16
Author(s): Yanan Ma et al.
Primary Topic: Privacy-Preserving Technologies in Data
Overview
In this section, the authors present Sense4FL, a federated learning (FL) framework enhanced by vehicular crowdsensing, aimed at improving object detection in autonomous driving (AD) by leveraging trajectory-dependent data collection from vehicles. The study highlights the inadequacies of existing vehicle selection methods that overlook the dynamic nature of data collection based on vehicle routes. The authors derive a convergence bound for FL that incorporates the variability of vehicle trajectories and data upload probabilities, revealing that minimizing training loss is equivalent to minimizing a weighted sum of local and global earth mover’s distances (EMD) between the data distributions of individual vehicles and the global dataset.
The paper formulates the vehicle selection and data collection problem as an NP-hard optimization challenge and proposes an efficient algorithm with an approximation guarantee to address it. Extensive simulations using the nuImages dataset demonstrate that Sense4FL significantly enhances object detection performance across various driving scenarios compared to existing benchmarks. The authors conclude that while the focus is on object detection, the framework’s trajectory-aware vehicle selection can be adapted for other critical tasks in autonomous driving, such as semantic segmentation and trajectory prediction, suggesting avenues for future research.
Introduction
The introduction of the paper discusses the advancements and challenges in autonomous driving (AD), highlighting its potential to enhance road safety, alleviate traffic congestion, and provide environmental benefits. Despite significant progress, including the deployment of level 3 vehicles by manufacturers like Honda and Mercedes-Benz and the operation of self-driving taxis by Waymo, real-world deployment remains hindered by accidents and challenges in adapting vision models to varying environmental conditions. A critical issue identified is the lack of generalization in object classification and detection models under diverse scenarios, which has led to incidents involving autonomous vehicles.
To address these challenges, the paper proposes a novel framework called Sense4FL, which utilizes federated learning (FL) to improve the adaptability of vision models in AD. The framework emphasizes trajectory-aware vehicle selection to enhance data collection and model training, recognizing that traditional FL approaches often overlook the significance of data distribution based on vehicle routes. The authors derive a convergence upper bound for the Sense4FL framework using earth mover’s distance (EMD) metrics and formulate a joint vehicle selection and data collection optimization problem, which is shown to be NP-hard. The proposed solution demonstrates improved performance in object detection tasks, particularly with the YOLO model on the nuImages dataset, indicating the framework’s effectiveness in adapting models to changing environments.
Discussion
The discussion section of the research paper highlights the significance of client selection in optimizing federated learning (FL) at the network edge, particularly in vehicular environments. Various studies have proposed different client selection strategies to enhance learning performance, such as maximizing model uploads, analyzing convergence with biased client selection, and optimizing for resource allocation under bandwidth constraints. However, many existing frameworks overlook the impact of user mobility on FL performance, which is critical in vehicular contexts where vehicles act as mobile data collectors. The authors identify a gap in the literature regarding the dependence of data distributions on vehicle trajectories, which can lead to biases and degraded accuracy in model training.
To address this gap, the paper introduces the Sense4FL framework, which incorporates trajectory-aware vehicle selection and data collection strategies. This framework aims to improve learning performance by ensuring that the data collected by vehicles reflects the underlying distribution of the environment. The authors emphasize that the design of vehicle selection and data collection processes is crucial for minimizing model bias and enhancing training accuracy. They provide a rigorous convergence analysis, establishing that the upper bound of training loss is influenced by client and global divergence metrics, thereby underscoring the importance of aligning local data distributions with the overall regional data distribution for effective FL outcomes.