PulseAugur
中
实时 10:29:17
English(EN) Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs

新框架通过去中心化联邦学习增强电动汽车电池智能

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文介绍了一种名为ABC-DFL的去中心化联邦学习框架，该框架专为电动汽车（EV）电池智能设计。该系统旨在通过区块链和一种新颖的动态法定人数拜占庭容错（QBFT）协议取代传统的中心化聚合，从而增强安全性和信任度。该框架包括FLECA，一个分层聚合协议，用于过滤恶意更新，并使用鲁棒的集群化来聚合来自可信电动汽车群组的模型更新，在对抗性场景中展示了优于现有防御的性能。 AI

影响 这项研究可以提高用于管理电动汽车电池数据的AI模型的安全性和效率。

排序理由 研究论文，详细介绍了一种新的联邦学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mouhamed Amine Bouchiha, Abdelaziz Amara Korba, Yacine Ghamri-Doudane ·

    Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs

    arXiv:2605.21115v2 Announce Type: replace-cross Abstract: Federated learning (FL) has emerged as a promising paradigm for managing electric vehicle (EV) battery data in intelligent transportation systems (ITS), enabling privacy-preserving tasks such as anomaly detection and capac…

相关实体

相关话题