车联网隐私联邦强化学习论文提交

Hojat Allah Salehi 等作者提交了《Communication-Efficient Private Federated Reinforcement Learning with Post-Quantum Authentication for Vehicular Networks》，提出利用车辆间共享随机性的相关私有量化方法，以降低车联网联邦强化学习的聚合误差，同时保持参数级本地差分隐私和 1-bit 通信开销。 论文称，在相同隐私预算和通信成本下，该方法相比独立量化使聚合均方误差降低 16.5%；在实验中，车辆平均出行时间缩短 14.3%。此外，相比全精度更新，1-bit 上传使认证上行数据量减少 92.4%。其中，16.5%的误差改善有匹配隐私预算及相同本地、全局参数等比较条件。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。