یادگیری فدرال (FL) یک رویکرد یادگیری ماشینی توزیع شده است که می تواند به وسایل نقلیه خودران کمک کند تا یک مدل را به طور مشترک آموزش دهند بدون اینکه یک سازمان واحد همه داده ها را در اختیار داشته باشد. این از حریم خصوصی داده ها محافظت می کند و در عین حال به هر مشتری اجازه می دهد تا در توسعه مدل مشارکت کند. با این حال، معیارهای فعلی FL بر روی دادههای محدود جمعآوریشده آفلاین تمرکز میکنند، که نمیتوانند رفتار پویای این برنامهها را در دنیای واقعی ثبت کنند.
∗ UW-Madison † آزمایشگاه های اینتل
شنگونگ دای دکترا است. کاندیدای دپارتمان مهندسی برق و کامپیوتر در دانشگاه ویسکانسین-مدیسون، با علایق تحقیقاتی در یادگیری ماشین و سیستم ها. کار اخیر او که قبلا در آزمایشگاه های اینتل کارآموز بود، بر یادگیری فدرال و یادگیری مستمر متمرکز بود.
بنابراین چگونه FL می تواند نیازهای وسایل نقلیه خودران را برآورده کند؟ این تمرکز تیمی از محققان از دانشگاه ویسکانسین-مدیسون و اینتل است که در چارچوبی به نام یادگیری فدرال در وسایل نقلیه خودکار یا FLAME همکاری کردند. FLAME از شبیهساز فیزیک منبع باز محبوب CARLA و چارچوب FL OpenFL استفاده میکند تا امکان جمعآوری دادههای جریانی از وسایل نقلیه خودران را برای آموزش مشترک آنلاین فراهم کند.
اگر در شهر با برنامه آزمایشی خودروهای خودران زندگی می کنید، ممکن است تعجب کنید که چرا خودروها، اغلب از تعداد انگشت شماری از استارتاپ ها، نمی توانند در حالی که در خیابان ها پرسه می زنند، از یکدیگر بیاموزند.