Apprendimento Federato Gerarchico con Trasferimento per Reti Veicolari Digital Twin

Un nuovo articolo su arXiv (2608.11532) propone un framework di Apprendimento Federato Gerarchico con Trasferimento (HFTL) per affrontare l'eterogeneità e la scarsità dei dati nelle reti veicolari ad hoc basate su Digital Twin (DT-VANET). L'Apprendimento Federato (FL) in tali reti fatica a addestrare un modello globale accurato a causa delle diverse distribuzioni dei dati tra i tipi di veicoli. Gli autori combinano l'Apprendimento Federato con Trasferimento (FTL) con il clustering dei veicoli per migliorare l'accuratezza del modello. Costruiscono un framework DT-VANET e progettano due algoritmi: uno per gli aggiornamenti del modello sul server cloud e un altro per l'apprendimento federato con trasferimento intra-cluster. Inoltre, introducono un meccanismo basato su punteggi di qualità dei dati per prevenire che veicoli malevoli degradino il modello globale. L'articolo dettaglia il framework e gli algoritmi, con l'obiettivo di migliorare l'accuratezza delle previsioni per diversi tipi di veicoli preservando la privacy dei dati.