机构名称：
¥ 1.0
摘要 - 启用AI互联网的快速增长（IOV）呼吁进行有效的机器学习（ML）解决方案，该解决方案可以处理高车辆移动性和分散数据。这激发了对车辆边缘云建筑（VEC-HFL）的等级联合学习的出现。然而，关于vec-hfl的文献中未充满反应的一个方面是，车辆通常需要同时执行多个ML任务，在这种多模型训练环境中会带来至关重要的挑战。首先，不正确的聚合规则可以导致模型过时和延长训练时间。第二，车辆移动性可能通过防止车辆将其型号返回网络边缘而导致数据利用率降低。第三，在各种任务中实现平衡的资源分配变得至关重要，因为它主要影响协作培训的有效性。，我们通过提出一个在动态VEC-HFL中提出多模型训练的框架来解决这些挑战的第一步之一，目的是最大程度地减少全球训练潜伏期，同时确保跨各种任务均衡培训，这一问题是NP-HARD。为了促进及时的模型培训，我们引入了混合同步 - 同步聚合规则。在此基础上，我们提出了一种新颖的方法，称为混合进化和贪婪分配（心脏）。现实世界数据集上的实验证明了心脏比现有方法的优越性。索引术语 - 等级联合学习，互联网，多模型培训，分布式机器学习。框架分为两个阶段：首先，它通过混合启发式方法来实现平衡的任务调度，该方法结合了改进的粒子群优化（PSO）和遗传算法（GA）；其次，它采用低复杂性贪婪算法来确定车辆分配任务的训练优先级。
进行车辆边缘的及时多模型培训 -
主要关键词
相关文件推荐
