Kontinuerlig, Aktiv Federated Learning för Dataströmmar

Syfte och mål

Fordon skapar stora mängder data med sina sensorer. Dagens metoder för AI-träning kan medföra risker för integritet och säkerhet om data lagras eller överförs. Nuvarande metoder för federerad inlärning (FL) kräver ofta långvarig datalagring. Projektet syftar till att möjliggöra kontinuerlig, aktiv och säker FL från realtidsdata, säkerställa regelefterlevnad gällande data samtidigt som fordonens egna beräkningsresurser nyttjas bättre.

Förväntade effekter och resultat

Vi förväntar oss att visa att det är möjligt att använda decentraliserad träning för automatiserad körning från kontinuerliga dataströmmar. Vi förväntar oss att använda och visa metoder för aktiv inlärning och självövervakad inlärning som förbättras kontinuerligt. Vi förväntar oss att resultaten kommer att bidra till regulatoriska diskussioner om dataintegritet, AI-säkerhet och kostnaden för AI-implementering i sammanhanget trafiksäkerhet för automatiserade fordon.

Planerat upplägg och genomförande

Deltagande partners expertis inom FL och stegvis inlärning i fordonet är viktiga för att undersöka t.ex. aktiv inlärning och självövervakad inlärning i samband med kontinuerliga dataströmmar. Projektet kommer att vara nära knutet till och ledas av experter inom AI och mjukvarudesign för automatiserad körning. Vi kommer att utnyttja våra omfattande partnernätverk för att sprida våra resultat inom ett brett ekosystem.