Глубокое распределеннное обучение для автономного вождения

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


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: