Federated Learning for Vehicular Internet of Things: Recent Advances and Open Issues

L'apprentissage fédéré (FL) est une approche d'apprentissage automatique distribuée qui peut atteindre l'objectif d'apprentissage collaboratif à partir d'une grande quantité de données appartenant à différentes parties sans partager les données brutes entre les propriétaires de données. FL peut suffisamment utiliser les capacités informatiques de plusieurs agents d'apprentissage pour améliorer l'efficacité de l'apprentissage tout en fournissant une meilleure solution de confidentialité pour les propriétaires de données. FL attire énormément d'intérêts d'un grand nombre d'industries en raison des préoccupations croissantes en matière de protection de la vie privée. Les futurs systèmes d'Internet des objets (IdO) véhiculaires, tels que la conduite autonome coopérative et les systèmes de transport intelligents (STI), comportent un grand nombre d'appareils et de données sensibles à la confidentialité où les ressources de communication, de calcul et de stockage doivent être utilisées efficacement. FL pourrait être une approche prometteuse pour résoudre ces défis existants. Dans cet article, nous menons d'abord une brève enquête sur les études existantes sur le FL et son utilisation dans l'IoT sans fil. Ensuite, nous discutons de l'importance et des défis techniques de l'application de la FL dans l'IdO véhiculaire, et indiquons les futures orientations de la recherche.

El aprendizaje federado (FL) es un enfoque de aprendizaje automático distribuido que puede lograr el propósito del aprendizaje colaborativo a partir de una gran cantidad de datos que pertenecen a diferentes partes sin compartir los datos sin procesar entre los propietarios de los datos. FL puede utilizar suficientemente las capacidades informáticas de múltiples agentes de aprendizaje para mejorar la eficiencia del aprendizaje al tiempo que proporciona una mejor solución de privacidad para los propietarios de los datos. FL atrae enormes intereses de un gran número de industrias debido a las crecientes preocupaciones sobre la privacidad. Los futuros sistemas vehiculares de Internet de las cosas (IoT), como la conducción autónoma cooperativa y los sistemas de transporte inteligente (ITS), cuentan con una gran cantidad de dispositivos y datos sensibles a la privacidad donde los recursos de comunicación, computación y almacenamiento deben utilizarse de manera eficiente. FL podría ser un enfoque prometedor para resolver estos desafíos existentes. En este documento, primero realizamos una breve encuesta de los estudios existentes sobre FL y su uso en IoT inalámbrico. Luego discutimos la importancia y los desafíos técnicos de aplicar FL en IoT vehicular, y señalamos futuras direcciones de investigación.

Federated learning (FL) is a distributed machine learning approach that can achieve the purpose of collaborative learning from a large amount of data that belong to different parties without sharing the raw data among the data owners. FL can sufficiently utilize the computing capabilities of multiple learning agents to improve the learning efficiency while providing a better privacy solution for the data owners. FL attracts tremendous interests from a large number of industries due to growing privacy concerns. Future vehicular Internet of Things (IoT) systems, such as cooperative autonomous driving and intelligent transport systems (ITS), feature a large number of devices and privacy-sensitive data where the communication, computing, and storage resources must be efficiently utilized. FL could be a promising approach to solve these existing challenges. In this paper, we first conduct a brief survey of existing studies on FL and its use in wireless IoT. Then we discuss the significance and technical challenges of applying FL in vehicular IoT, and point out future research directions.

التعلم الموحد (FL) هو نهج التعلم الآلي الموزع الذي يمكن أن يحقق الغرض من التعلم التعاوني من كمية كبيرة من البيانات التي تنتمي إلى أطراف مختلفة دون مشاركة البيانات الخام بين مالكي البيانات. يمكن للغة الأجنبية الاستفادة بشكل كافٍ من قدرات الحوسبة لوكلاء التعلم المتعددين لتحسين كفاءة التعلم مع توفير حل خصوصية أفضل لمالكي البيانات. يجذب العمل الجبري اهتمامات هائلة من عدد كبير من الصناعات بسبب المخاوف المتزايدة المتعلقة بالخصوصية. تتميز أنظمة إنترنت الأشياء (IoT) المستقبلية للمركبات، مثل القيادة الذاتية التعاونية وأنظمة النقل الذكية (ITS)، بعدد كبير من الأجهزة والبيانات الحساسة للخصوصية حيث يجب استخدام موارد الاتصال والحوسبة والتخزين بكفاءة. يمكن أن يكون العمل الجبري نهجًا واعدًا لحل هذه التحديات القائمة. في هذه الورقة، نجري أولاً مسحًا موجزًا للدراسات الحالية حول اللغة الأجنبية واستخدامها في إنترنت الأشياء اللاسلكية. ثم نناقش الأهمية والتحديات التقنية لتطبيق العمل الجبري في إنترنت الأشياء للمركبات، ونشير إلى اتجاهات البحث المستقبلية.