跳到正文
arXiv cs.AI· Tao Lian, Antonio M. L\'opez·· 10 小时前AI 评分31

FedE2E:面向端到端自动驾驶的一次性联邦学习方法与闭环评测

FedE2E: One-Shot Federated Learning for End-to-End Autonomous Driving with Closed-Loop Evaluation

AI 导读

FedE2E 是一种面向端到端自动驾驶的一次性联邦学习方法,通过多客户端校准、基于锚点的特征对齐和 token 级共识蒸馏,从异构模型中提炼知识。在 Bench2Drive 闭环评测中,一次性设置下驾驶得分达 55.85,比先前工作高 4.07 分;多轮设置下经五轮通信达到 60.35,为同等通信轮数下对比方法中的最佳表现。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:联邦学习能够在不共享数据集的情况下实现协作式模型训练。然而,现有的自动驾驶联邦学习方法通常需要多轮通信且缺乏闭环评估,而一次性方法主要聚焦于感知任务。为解决这些局限,我们提出 \method,一种面向端到端自动驾驶的一次性联邦学习方法。它包含多客户端校准、基于锚点的特征对齐以及逐 token 共识蒸馏,以从异构模型中蒸馏知识。在 Bench2Drive 上的闭环评估表明,\method 在一次性与多轮联邦学习中均有效。在一次性设置下,其驾驶得分为 55.85,比先前工作高 4.07 分。在多轮设置下,经过五轮通信后达到 60.35,在相同通信轮数下为所有对比方法中的最佳性能。
主题: 人工智能(cs.AI);机器学习(stat.ML)
引用为: arXiv:2611.24254 [cs.AI]
  (或本版本的 arXiv:2611.24254v2 [cs.AI])
  https://doi.org/10.48550/arXiv.2611.24254

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Tao Lian [查看邮箱]
[v1] 2026年11月18日 星期三 11:32:35 UTC(413 KB)
[v2] 2026年11月19日 星期四 11:51:49 UTC(413 KB)

来源:arXiv cs.AI · arxiv.org