【技术实现步骤摘要】
本专利技术设计联邦学习、知识蒸馏、自动驾驶领域，具体是涉及一种通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法。
技术介绍
1、在当今时代，自动驾驶在学术和工业领域都是一个充满活力的研究领域。利用基于云的分布式学习，自动驾驶车辆之间共享数据对于通过集体经验不断增强预测模型至关重要。然而，在平衡数据共享与保护驾驶员敏感信息和专有政策的需求时，尤其是在与其它自动驾驶汽车合作和防止保险隐私泄露时，会遇到巨大的挑战。在这样的背景下，联邦学习作为一种分布式机器学习框架应运而生，通过联邦学习，多个数据所有者可以一起训练机器学习模型，数据留在本地，只转移本地模型，其结果是，既保护了数据隐私，也节省了通信的网络带宽。然而，联邦学习通常缺乏鲁棒性，当用户数据高度异构分布时，联邦学习的表现会严重下滑。
2、针对各种异质性问题(数据、计算、通信、内存、功率)，现有技术也提出了个性化联邦学习的方法。具体是在该系统中，每个客户端利用来自服务器接收到的信息，并利用定制的目标在本地训练其个性化模型。所以客户端不是专注于全局性能，而是通过在分布类似于局部...
【技术保护点】
1.一种通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法，其特征在于，所述方法基于联邦学习框架并联合知识蒸馏方法，把自动驾驶汽车联合为一个联盟，面向联盟中的汽车模型进行训练协作，在保证每辆汽车的私有模型表现的前提下，以优化联邦学习中聚合的全局模型对于每辆汽车中的私有数据的适配性为目标，并在训练中将基于类别的超知识应用到知识蒸馏中，从而加强自动驾驶汽车中的数据共享，避免数据隐私问题的产生。
2.根据权利要求1所述的通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法，其特征在于，所述的方法步骤如下：
3.根据权利要求2所述的通过无数据蒸馏的联邦学...
【技术特征摘要】
1.一种通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法，其特征在于，所述方法基于联邦学习框架并联合知识蒸馏方法，把自动驾驶汽车联合为一个联盟，面向联盟中的汽车模型进行训练协作，在保证每辆汽车的私有模型表现的前提下，以优化联邦学习中聚合的全局模型对于每辆汽车中的私有数据的适配性为目标，并在训练中将基于类别的超知识应用到知识蒸馏中，从而加强自动驾驶汽车中的数据共享，避免数据隐私问题的产生。
2.根据权利要求1所述的通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法，其特征在于，所述的方法步骤如下：
3.根据权利要求2所述的通过无数据蒸馏的联邦学习实现异构感知自动驾驶的方法，其特征在于：步骤s1中，针对自动驾驶汽车集合n，每辆自动驾驶汽车i都有一个本地数据集wi＝(xi,yi)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。