一种车联网场景下1-Bit压缩分簇式联邦学习方法

本发明公开一种车联网场景下1‑Bit压缩分簇式联邦学习方法。该方法无需道路辅助基础设施参与，只需按照车辆位置、车辆属性、车辆相对速度、模型相似度等信息对车辆进行分簇，从而构建出去中心化的分簇式联邦学习方法。本发明方法将参与联邦学习的车辆分为簇心车辆、边缘车辆、共用车辆和非簇车辆等四种类型，每辆车的属性会随着车辆移动分簇的变化而动态变化。在联邦学习训练中，每辆车将先训练自己的本地模型，然后边缘车辆和共用车辆将自己的本地模型上传给簇心车辆，簇心车辆聚合模型后再下发。在本地模型参数上传过程中，边缘车辆和共用车辆将采用自适应阈值的1‑Bit压缩技术进行上传，从而大幅度降低上行通信开销。本方法还在算法训练过程中引入了提前终止策略，从而显著降低了联邦学习训练过程中通信开销，并避免了训练过拟合问题，提升了训练精度。