FLASH - Federated Learning Supporting Efficient and Reliable Inference over Vehi...
FLASH - Federated Learning Supporting Efficient and Reliable Inference over Vehicular Networks
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 a...
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.ver más
06-11-2024:
IDAE Cadena de Valor...
Se ha cerrado la línea de ayuda pública: Ayudas a Proyectos para reforzar la Cadena de Valor de equipos necesarios para la transición a una economía de cero emisiones netas
05-11-2024:
Cataluña Gestión For...
Se abre la línea de ayuda pública: Gestión Forestal Sostenible para Inversiones Forestales Productivas para el organismo:
04-11-2024:
Doctorados industria...
Se ha cerrado la línea de ayuda pública: Formación de doctores y doctoras de las universidades del Sistema universitario de Galicia (SUG) en empresas y centros de innovación y tecnología para el organismo:
Seleccionando "Aceptar todas las cookies" acepta el uso de cookies para ayudarnos a brindarle una mejor experiencia de usuario y para analizar el uso del sitio web. Al hacer clic en "Ajustar tus preferencias" puede elegir qué cookies permitir. Solo las cookies esenciales son necesarias para el correcto funcionamiento de nuestro sitio web y no se pueden rechazar.
Cookie settings
Nuestro sitio web almacena cuatro tipos de cookies. En cualquier momento puede elegir qué cookies acepta y cuáles rechaza. Puede obtener más información sobre qué son las cookies y qué tipos de cookies almacenamos en nuestra Política de cookies.
Son necesarias por razones técnicas. Sin ellas, este sitio web podría no funcionar correctamente.
Son necesarias para una funcionalidad específica en el sitio web. Sin ellos, algunas características pueden estar deshabilitadas.
Nos permite analizar el uso del sitio web y mejorar la experiencia del visitante.
Nos permite personalizar su experiencia y enviarle contenido y ofertas relevantes, en este sitio web y en otros sitios web.