Компьютерная наука > Машинное обучение [представлено 17 сентября 2026 года] Название: QoS-Aware Federated Learning for Multilateral In-Cabin View PDF HTML (экспериментальное) Резюме: Модернизированные умные транспортные средства используют мультимодальные сенсоры, начиная от высокодисперсных систем обзора и кончая низкосортными физиологическими мониторами для обеспечения персональных услуг в кабинах. Вместе с тем интеграция мультимодальных сетей высокой степени достоверности в систему совместной подготовки зачастую затрудняется неоднородностью и изменяющимися сроками качества услуг (QoS) транспортных сетей. Подходы, основанные на использовании стандартного федерального обучения (ФЛ), обеспечивают жесткое синхронное использование, которое не учитывает эти ресурсные асимметрии и ведет к нарушениям в отношении безопасного времени и истощению энергии. В этом документе мы предлагаем FedQoS, новую асинхронную систему PL, которая отделяет местные вычисления от глобальной коммуникации с помощью двухфазного механизма глянцев. Во-первых, мы внедряем систему подготовки кадров с учетом имеющихся ресурсов, которая инициирует местное обучение только в том случае, если зондирование буферов и энергетических запасов соответствует пороговым уровням безопасности, что не позволяет выполнению задач ML ставить под угрозу мобильность основных транспортных средств. Во-вторых, ведомый QoS портал передачи информации обновляет информацию на основе оценки эффективности, которая позволяет сбалансировать…
CoS-Beaking Finaled Learning for Multilateral In-Cabin Communication in-Cambin in Smart EMOFA
arXiv:2609.20123v1 Annuate Type: New Habrial: Modern Smargets multimed censors, начиная с высокополосных систем обзора и заканчивая низкосортными физиологическими мониторами для обеспечения персональных услуг в кабинах. Вместе с тем интеграция мультимодальных сетей высокой степени достоверности в систему совместной подготовки зачастую затрудняется неоднородностью и изменяющимися сроками качества услуг (QoS) транспортных сетей. Подходы, основанные на использовании стандартного федерального обучения (ФЛ), обеспечивают жесткое синхронное использование, которое не учитывает эти ресурсные асимметрии и ведет к нарушениям в отношении безопасного времени и истощению энергии. В этом документе мы предлагаем FedQoS, новую асинхронную систему PL, которая отделяет местные вычисления от глобальной коммуникации с помощью двухфазного механизма глянцев. Во-первых, мы внедряем систему подготовки кадров с учетом имеющихся ресурсов, которая инициирует местное обучение только в том случае, если датчик буферов и энергетических запасов соответствует пороговым уровням безопасности, не допуская того, чтобы задачи ML компрометировали основные транспортные средства.