Descrizione del progetto
Realizzare il sogno dei veicoli senza conducente attraverso un’integrazione algoritmica distribuita migliore
L’apprendimento federato è una tecnica di apprendimento automatico che addestra in modo collaborativo un algoritmo su molteplici dispositivi decentralizzati. Le esigenze di calcolo dei veicoli senza conducente richiedono un’integrazione migliore dell’apprendimento federato con le reti cellulari in modo da ottenere risposte in tempo reale. Il progetto FLASH, finanziato dal programma di azioni Marie Skłodowska-Curie, si impegnerà per raggiungere questo obiettivo. Svilupperà infatti un modello per gli algoritmi di apprendimento federato al fine di gestire le limitazioni dei set di dati distribuiti, nonché algoritmi in grado di ripartire le risorse delle reti cellulari tra le attività di inferenza determinate dall’apprendimento automatico. L’applicazione dei risultati di FLASH nei veicoli (semi)autonomi migliorerà la sicurezza e l’affidabilità, oltre a ridurre il consumo di combustibili fossili e le emissioni.
Obiettivo
The FLASH project aims to establish the theoretical foundations of machine learning and wireless communications that will enable the vision of assisted and self-driving systems. Unfortunately, current systems cannot provide safe and reliable driving because they lack distributed and real-time learning algorithms meeting the critical latency and reliability requirements in highly dynamic and fast-varying wireless channels. Although the fifth generation of cellular systems supports the communication demands for assisted and self-driving, and machine learning proposes federated learning for distributed scenarios, the wireless communications and machine learning domains are not sufficiently integrated for real-time critical applications. Yet, it is only by their integration that the vision of assisted and self-driving will become real. To this end, we will establish a theoretical and algorithmic integration of federated learning and cellular networks that serve vehicles, which we refer to as federated learning supporting efficient and reliable inference over vehicular networks (FLASH). FLASH builds on the co-design of a fundamentally new ecosystem in which federated learning algorithms address critical constraints from vehicular applications, while resource allocation algorithms adapt wireless communication resources to the inference tasks. The project will implement FLASH by establishing and validating theoretical and algorithmic foundations for assisted and self-driving systems. Thus, we not only expect to have an academic impact but also a great societal impact by enabling the fulfilment of sustainable development goals through reduced fuel consumption, traffic emissions, and fatalities. Ultimately, the project provides outstanding training for a talented young researcher, Dr. Mairton Barros, at Princeton University for 24 months with Prof. H. Vincent Poor, and KTH Royal Institute of Technology for 12 months with Prof. Carlo Fischione.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze naturaliscienze biologicheecologiaecosistemi
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeapprendimento automatico
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2021-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsCoordinatore
100 44 Stockholm
Svezia