FedPylot，联邦学习框架下的YOLOv7实时目标检测与隐私保护研究！

文章预览

点击下方卡片，关注 「集智书童」 公众号 点击加入👉 「集智书童」 交流群 车辆物联网（IoV）成为自动驾驶和智能交通系统（ITS）的关键组成部分，通过在密集互联的网络中实现低延迟的大数据处理，该网络包括车辆、基础设施、行人和云。 自动驾驶车辆严重依赖机器学习（ML），并且能从边缘生成的丰富感官数据中强烈受益，这需要采取措施来协调模型训练与保护敏感用户数据的隐私。 联邦学习（FL）作为一种有前景的解决方案，可以在保护道路用户隐私的同时减轻通信开销，用于在车联网中训练复杂的ML模型。 本文研究了在数据异质性（包括不平衡性、概念漂移和标签分布偏差）下，使用联邦学习优化前沿的YOLOv7模型以解决实时目标检测问题。 为此，作者引入了FedPylot，一个基于MPI的轻量级原型，用于在高性能计算（HPC）系统上模拟联邦目 ………………………………