Глубокое распределеннное обучение для автономного вождения |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-10-14 04:16 Автономное вождение является активной темой исследований как в научных кругах, так и в промышленности. Однако большинство существующих решений направлены на повышение точности путем обучения обучаемых моделей с использованием централизованных крупномасштабных данных. Таким образом, эти методы не учитывают конфиденциальность пользователя. В этой статье представлен новый подход к обучению политике автономного вождения при соблюдении конфиденциальности. Авторы предлагают одноранговый подход Deep Federated Learning (DFL) для обучения глубоких архитектур полностью децентрализованным образом и устраняем необходимость в централизованной оркестровке. Они разрабатывают новую сеть Federated Autonomous Driving network (FADNet), которая может улучшить стабильность модели, обеспечить сходимость и справиться с проблемами несбалансированного распределения данных при обучении с помощью методов федеративного обучения. Ссылка на статью: https://arxiv.org/pdf/2110.05754v1.pdf Источник: arxiv.org Комментарии: |
|