فهرست نشریات علمی دسترسی آزاد ایران

در یادگیری ائتلافی خودروهای خودران، چالش اصلی عدم توازن و انصاف در دسترسی به داده‌های مختلف از سوی مشترکین است که می‌تواند منجر به کاهش دقت مدل و افزایش نوسانات در فرآیند یادگیری شود. این مسئله به ویژه زمانی که داده‌ها به صورت نابرابر بین مشترکین توزیع شده‌اند، نمایان‌تر می‌شود. برای رفع این چالش، یک الگوریتم جدید مبتنی بر تاریخچه خطا و وزن‌دهی نمایی پیشنهاد می‌دهیم. الگوریتم پیشنهادی از تاریخچه خطای n دور اخیر استفاده می‌کند و نرمال شده خطای هر مشترک را در گرادیان ارسالی ضرب می‌کند. این رویکرد باعث می‌شود تا از نوسانات شدید در به‌روزرسانی وزن‌ها جلوگیری شود و بهبود دقت و همگرایی سریع‌تر حاصل گردد. علاوه بر این، وزن‌دهی نمایی کمک می‌کند تا انصاف در فرآیند یادگیری حفظ شود، به گونه‌ای که مشترکین با داده‌های نامتوازن نیز عملکرد بهتری داشته باشند. برای ارزیابی عملکرد الگوریتم، آزمایش‌های گسترده‌ای بر روی مجموعه داده شبیه‌سازی شده KITTI انجام دادیم. نتایج نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم‌های استاندارد مانند FedAvg، به 3 درصد دقت بالاتر دست می‌یابد. همچنین، استفاده از وزن‌دهی نمایی به بهبود انصاف در فرآیند یادگیری کمک می‌کند، به گونه‌ای که اختلاف واریانس دقت الگوریتم پیشنهادی با بقیه الگوریتم‌ها در بهترین حالت 400 می‌باشد.