联合学习是一种分散的方法,用于训练Glo-Bal机器学习模型而无需在参与者之间共享数据,并且它已成为必须保护有关各方数据的情况下存在的关键解决方案。这在数据驱动的预后,健康管理和异常检测系统中非常重要,因为关键数据所有权在几个原始设备制造商和运营商之间划分。但是,对这项技术的适当提出需要在基础架构上进行大量的前期投资,因为计算,能源和网络能力必须支持边缘上的增加负载,这代表了从集中式范式转移。尽管有这些要求,但汽车行业对这项技术作为协作推动者的潜力表现出了极大的兴趣。该技术的隐私益处得到了充分的认可,但是通常不加区分地使用它,而无需透彻考虑其适当性。为了使这一详细的系统映射进行了详细的系统文献映射,通过分析,我们就联合框架的使用方面的有效性提供了对预测性维护和自动行业中异常检测应用的特定挑战的见解。此外,我们通过确定对该技术实施确实有意义的汽车行业的现实世界应用来做出贡献。我们的研究测试了每个人如何响应不同的数据方案。这些发现突出了对量身定制方法的需求,以满足每个应用程序的独特需求。在此基础上,我们使用广泛采用的模型和聚合策略进行了实验分析,以评估在模拟现实世界条件的各种数据拆分配置下,在各种数据拆分配置下评估了Fedeed Learning的性能。结果表明,FedAvg在平衡数据方面的表现最佳,而FedProx在IMBA分布中表现出色,其正则化技术解决了问题。虽然联邦学习持有承诺,但其实施可能并不总是证明成本是合理的,尤其是如果FraMework仅解决了一些关键挑战时。裁缝联合配置可以优化汽车行业的预测性维护和异常检测,但是要仔细考虑有用性和基础设施成本,这对于长期成功而言是限制的。
主要关键词