بهبود یادگیری ائتلافی در خودروهای خودران با استفاده از الگوریتم تاریخچه خطا و وزن دهی نمایی: یک رویکرد منصفانه

در یادگیری ائتلافی خودروهای خودران، چالش اصلی عدم توازن و انصاف در دسترسی به داده های مختلف از سوی مشترکین است که می تواند منجر به کاهش دقت مدل و افزایش نوسانات در فرآیند یادگیری شود. این مسئله به ویژه زمانی که داده ها به صورت نابرابر بین مشترکین توزیع شده اند، نمایان تر می شود. برای رفع این چالش، یک الگوریتم جدید مبتنی بر تاریخچه خطا و وزن دهی نمایی پیشنهاد می دهیم. الگوریتم پیشنهادی از تاریخچه خطای n دور اخیر استفاده می کند و نرمال شده خطای هر مشترک را در گرادیان ارسالی ضرب می کند. این رویکرد باعث می شود تا از نوسانات شدید در به روزرسانی وزن ها جلوگیری شود و بهبود دقت و همگرایی سریع تر حاصل گردد. علاوه بر این، وزن دهی نمایی کمک می کند تا انصاف در فرآیند یادگیری حفظ شود، به گونه ای که مشترکین با داده های نامتوازن نیز عملکرد بهتری داشته باشند. برای ارزیابی عملکرد الگوریتم، آزمایش های گسترده ای بر روی مجموعه داده شبیه سازی شده KITTI انجام دادیم. نتایج نشان می دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم های استاندارد مانند FedAvg، به ۳ درصد دقت بالاتر دست می یابد. همچنین، استفاده از وزن دهی نمایی به بهبود انصاف در فرآیند یادگیری کمک می کند، به گونه ای که اختلاف واریانس دقت الگوریتم پیشنهادی با بقیه الگوریتم ها در بهترین حالت ۴۰۰ می باشد.

کلیدواژه ها:

یادگیری ائتلافی ، انصاف ، سابقه خطا ، وزن دهی نمایی ، خودروهای خودران