[論文レビュー] Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges

Vishnu Pandi Chellapandi, Liangqi Yuan+3 more|arXiv (Cornell University)|Aug 21, 2023

Privacy-Preserving Technologies in Data被引用数 5

ひとこと要約

本サーベイは、接続型自動運転車（CAV）におけるフェデレーテッドラーニング（FL）の包括的レビューを提案し、中央集権的および分散型のFLフレームワーク、データモダリティ、セキュリティ技術、応用分野を分析する。通信オーバーヘッド、プライバシー、システムの非均一性、モデル収束といった主な課題を特定するとともに、CAVにおけるプライバシー保護型で協調的なモデル学習の向上にFLが果たす可能性を強調する。

ABSTRACT

Machine learning (ML) is widely used for key tasks in Connected and Automated Vehicles (CAV), including perception, planning, and control. However, its reliance on vehicular data for model training presents significant challenges related to in-vehicle user privacy and communication overhead generated by massive data volumes. Federated learning (FL) is a decentralized ML approach that enables multiple vehicles to collaboratively develop models, broadening learning from various driving environments, enhancing overall performance, and simultaneously securing local vehicle data privacy and security. This survey paper presents a review of the advancements made in the application of FL for CAV (FL4CAV). First, centralized and decentralized frameworks of FL are analyzed, highlighting their key characteristics and methodologies. Second, diverse data sources, models, and data security techniques relevant to FL in CAVs are reviewed, emphasizing their significance in ensuring privacy and confidentiality. Third, specific applications of FL are explored, providing insight into the base models and datasets employed for each application. Finally, existing challenges for FL4CAV are listed and potential directions for future investigation to further enhance the effectiveness and efficiency of FL in the context of CAV are discussed.

研究の動機と目的

• 接続型自動運転車（CAV）における中央集権的および分散型フェデレーテッドラーニング（FL）フレームワークを分析すること。
• CAVにおけるFLに関連する多様なデータソース、機械学習モデル、およびデータセキュリティ技術をレビューすること。
• CAVにおける具体的なFL応用、特にベースモデル、データセット、ユースケースを調査すること。
• 通信効率、プライバシー、システムの非均一性といった、CAVにおけるFLの主な課題を特定すること。
• CAV環境におけるFLの効果性および効率を向上させるための今後の研究方向性を提案すること。

提案手法

• FLフレームワークを中央集権的および分散型アーキテクチャに分類し、通信とプライバシーのトレードオフを評価する。
• CAVからのデータモダリティをレビューし、LiDARやカメラなどのセンサデータ、V2X通信、ECUデータを含め、モデル学習に用いる。
• CAVにおけるFLのプライバシー保護技術として、セキュアアグリゲーション、微分プライバシー、同型暗号化を分析する。
• CAVにおけるFLの応用を評価し、認識、計画、制御、ドライバー行動モデリング、異常検出、予知保全を含む。
• リソースの最適利用と通信負荷の低減を目的として、協調的FLおよび強化学習に基づくクライアント選択を提案する。
• 非均一なCAVネットワークにおけるスローワー（遅延する）デバイスの影響を軽減するため、信頼を考慮した深層強化学習によるクライアント選択を導入する。

Figure 1: Roadmap of this survey paper.

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、接続型自動運転車が直面する独自のデータ、通信、プライバシー制約にどのように効果的に適合できるか？
• RQ2 CAV環境における中央集権的および分散型FLフレームワークの主な違いとトレードオフは何か？
• RQ3 処理能力やネットワーク状態のばらつきが生じるシステムの非均一性は、CAVにおけるFLでどのように緩和できるか？
• RQ4 プライバシー要件が異なる車両が参加する状況において、データの完全性と公平性を保証するメカニズムは何か？
• RQ5 故障または悪意ある更新に対し、ロバストな診断が可能となるように、新規車両のネットワーク参加に対応するためのFLフレームワークの評価と最適化はどのように行えるか？

主な発見

• フェデレーテッドラーニングは、生データの送信ではなくモデルパラメータ（勾配や重み）の送信に留めることで、通信オーバーヘッドを顕著に低減し、CAVにおけるネットワーク効率を向上させる。
• 生の車両データが車両内に留まるため、フェデレーテッドラーニングはローカルデータのプライバシーを保護し、GDPRなどのプライバシー規制に対応する。
• 分散型FLアーキテクチャは、中央サーバーへの依存を低減し、特に遅延が大きく、接続が不安定なV2X環境においてもレジリエンスを向上させる。
• 通信が不安定または処理能力が低いスローワー端末は学習を遅らせるが、適応戦略やクライアント選択モデルにより、この問題を緩和できる。
• 信頼を考慮した深層強化学習は、信頼性が高く品質の良いデータ貢献者を優先することで、クライアント選択とモデル収束を改善する。
• カタストロフィックフォーゲティングや非効率なリソース利用といった課題は、動的で非均一なCAVネットワークにおいて未解決の問題であり、さらなる研究が求められる。

Figure 2: Illustration of (a) centralized and (b) decentralized federated learning for connected and automated vehicles.