1. 标题

Mobility-Aware Decentralized Federated Learning with Joint Optimization of Local Iteration and Leader Selection for Vehicular Networks

面向车联网的移动性感知去中心化联邦学习：本地迭代与领导节点选择联合优化
①从题目中就很容易看出它研究的是“本地迭代、领导节点选择”。
②从题目中可以看出它研究了车子的“移动性”。
③还能看出它是联邦学习方向中的“去中心化联邦学习”。

2. 摘要

①已有研究开始探索联邦学习在车联网中的应用，但大多忽略了车辆移动性和资源受限所带来的复杂问题。

②本文提出了一种面向车联网的移动性感知去中心化联邦学习框架（MDFL）。在该框架中，邻近车辆以协作方式训练联邦学习模型，但整个过程不依赖中央服务器，而是采用去中心化通信。 为了提高训练效率，本文构建了一个本地迭代次数与领导节点选择联合优化问题（LSOP）。随后，作者将该问题重新建模为去中心化部分可观测马尔可夫决策过程（Dec-POMDP），并设计了一种基于多智能体近端策略优化算法（MAPPO）的优化方法来解决该问题。

3. 场景流程

① 车辆进入研究区域。

论文在一个道路区域内模拟车辆移动，实验中设置了 10 辆车。车辆不断进入、离开通信区域，因此每一轮参与训练的车辆数量可能不同。

② 每辆车保存自己的本地数据。

每辆车拥有一部分本地数据，数据在车辆本地保存，不上传原始数据。论文实验使用的是 Fashion-MNIST 服装图片数据集，并用 LeNet 模型进行图像分类。车辆数据是在进入研究区域前就准备好的。

③ 车辆交换基本状态信息。

车辆之间只交换位置、速度、加速度、剩余能量等信息，用来判断彼此是否适合通信，以及谁更适合担任本轮聚合节点。论文中车辆直接通信范围设置为约 200 米。

④ MAPPO 决定本轮训练方案。

多智能体强化学习算法 MAPPO 根据车辆的位置、能量、通信距离等状态，决定每辆车本轮进行多少次本地训练，以及选择哪辆车作为本轮领导节点。MAPPO 负责做调度决策，不负责直接训练最终的分类模型。

⑤ 选出一辆临时领导车辆。

每轮只选择一辆车作为领导车辆，其作用相当于本轮的临时聚合服务器；其他车辆作为跟随车辆。这个领导车辆不是固定的，下一轮可能更换。

⑥ 领导车辆广播当前模型。

领导车辆把当前的 LeNet 模型参数发送给本轮参与训练的其他车辆。发送的是模型参数，不是 Fashion-MNIST 原始图片。

⑦ 所有车辆进行本地训练。

领导车辆和跟随车辆都使用自己的本地 Fashion-MNIST 数据训练 LeNet。不同车辆根据 MAPPO 的决定执行不同次数的本地迭代，计算能力或通信条件不同的车辆可以少训练几次。

⑧ 车辆上传本地模型参数。

本地训练结束后，跟随车辆把更新后的 LeNet 模型参数发送给领导车辆。领导车辆也保留自己的本地模型参数。整个过程中不交换原始图片数据。

⑨ 领导车辆聚合模型。

领导车辆对各辆车的模型参数进行加权平均，得到本轮新的共享模型。论文还比较了 FedAvg、FedNova 等不同聚合策略，但聚合工作始终由当前领导车辆完成。

⑩ 领导车辆广播聚合后的模型。

聚合完成后，领导车辆把新的共享模型发送给其他车辆，使本轮参与者获得相同或接近的模型，然后开始下一轮训练。

⑪ 车辆移动导致参与者动态变化。

如果车辆离开研究区域，或者剩余能量不足，就退出后续训练；新进入区域且满足条件的车辆可以加入。因此每轮的车辆集合、通信关系和领导车辆都可能变化。

⑫ 最终得到共享任务模型。

经过多轮“领导节点选择—本地训练—参数上传—模型聚合—模型广播”后，车辆共同得到一个较好的 LeNet 模型，用于 Fashion-MNIST 服装类别识别。

4. 总结

这篇论文能用的点：①选择客户端的方法。②选择聚合节点的方法。

创新点呢，主要是它研究的是客户端移动性的吧，虽然没用车联网方向的数据集，但是用了sumo那什么东西模拟了车子，将目标检测等车联网方向的任务替换成了简单的服装分类任务、车流量预测任务……