| 研究課題/領域番号 |
21H03424
|
|---|
| 研究機関 | 電気通信大学 |
|---|
研究代表者 |
策力 木格 電気通信大学, 大学院情報理工学研究科, 教授 (90596230)
|
|---|
| 研究分担者 |
計 宇生 国立情報学研究所, アーキテクチャ科学研究系, 教授 (80225333)
村瀬 勉 名古屋大学, 情報基盤センター, 教授 (10530941)
李 鵬 (李鵬) 会津大学, コンピュータ理工学部, 上級准教授 (30735915)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | フェデレーテッド・ラーニング / ファジィ論理 / 学習クライアント選択 / ブロックチェーン |
|---|
| 研究実績の概要 |
2022年度には，車両ネットワーク環境におけるフェデレーテッド・ラーニング（Federated Learning: FL）の品質向上に焦点をあて，項目2（ファジィ論理を用いた事前学習），項目3（学習クライアント選択とモデル集約），項目4（自律分散環境におけるブロックチェーンの導入）の研究開発を行った．項目2，3では，項目1（深層強化学習ベースのFLを用いた情報処理基盤）に基づき，FLの性能を改善するための事前学習手法，車両クライアント評価手法，をそれぞれ提案している．項目4では，自律分散環境におけるFLを可能とする手法を提案している．理論的評価に加えて，車両ネットワークシミュレータ「Veins」(https://veins.car2x.org/)を用いた資源管理の模擬を行い，実際のアプリケーションにおける影響を自動運転シミュレータ「AirSim」（https://microsoft.github.io/AirSim/）で検証した．また，一部の機能を実デバイスに実装し，プロトタイプ開発を行った．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
車両IoTにおけるタスク処理を想定し，フェデレーテッド・ラーニング（Federated Learning: FL）を用いた情報処理基盤の提案・改善を行った．2022年度には，研究項目2，3，4の研究開発を行い，予定通りの研究成果が得られた．特に，研究項目3の提案手法を実現デバイスにおいても実装し，プロトタイプシステムを構築し，評価を行った．よって，研究は予定通り順調に進展していると考える．
|
| 今後の研究の推進方策 |
2023年度には，項目間の連携を十分重視し，シミュレーション，実証実験を用いて相乗効果の検証を行う．車両ネットワークシミュレータ「Veins」(https://veins.car2x.org/)を用いた資源管理の模擬を行い，実際のアプリケーションにおける影響を自動運転シミュレータ「AirSim」（https://microsoft.github.io/AirSim/）で検証する．実証実験については，10台の車両と3個の路側装置で実証を行う．車両IoTのための情報処理システムの性能評価指標，評価方法も新たに検討する．実証実験による知見とシミュレーションのスケーラビリティを統合させ，通信・計算・ストレージ資源を総合的に考慮したタスク処理性能の評価手法を検討する．これは車両IoT関連研究を検証するための重要な参考になる
と考える．また，事前学習はフェデレーテッド・ラーニングの品質向上における影響が大きいことから，項目2（ファジィ論理を用いた事前学習）に関してより深く検討する価値があると考える．
|
