Trong cuốn sách này, các thuật toán dự đoán phân tán và xác suất cũng như kiến ​​trúc hệ thống cho các hệ thống phân tán được nghiên cứu. Các kiến ​​trúc hệ thống và vị trí mô-đun khác nhau được phân tích về độ trễ, mức sử dụng mạng, mức sử dụng năng lượng và chi phí. Các thuật toán học tập liên kết như FedAvg có thể được áp dụng trong cài đặt phân tán này, nhưng tính không chắc chắn trong dự đoán thường không được xem xét. Trong cuốn sách này, phần mở rộng của thuật toán lấy trung bình liên kết, FedAvg-Gaussian, được áp dụng để huấn luyện các mạng thần kinh xác suất và mô hình hồi quy tuyến tính theo cách đảm bảo quyền riêng tư và hiệu quả trong giao tiếp. Các thuật toán dự đoán được xác thực bằng dữ liệu lái xe thực tế.

Abstract:

In this book, distributed and probabilistic prediction algorithms as well as system architectures for distributed systems are investigated. Different system architectures and module placements are analyzed in terms of latency, network usage, energy usage and cost. Federated learning algorithms such as FedAvg can be applied in this distributed setting, but predictive uncertainty is typically not considered. In this book, an extension of the federated averaging algorithm, FedAvg-Gaussian, is applied to train probabilistic neural networks and linear regression models in a communication-efficient and privacy-preserving manner. The prediction algorithms are validated using real driving data.

Ngôn ngữ:	eng
Tác giả:	Thorgeirsson, Adam Thor
Thông tin nhan đề:	Probabilistic Prediction of Energy Demand and Driving Range for Electric Vehicles with Federated Learning
Nhà xuất bản:	KIT Scientific Publishing
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ ô tô
Bản quyền:	https://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://www.ksp.kit.edu/site/books/m/10.5445/KSP/1000171796/
Mô tả vật lý:	192p.
Năm xuất bản:	2024