跳到正文
热点事件持续更新

FedE2E:一次性联邦学习实现端到端自动驾驶

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月18日,Tao Lian和Antonio M. López在arXiv发布论文FedE2E,提出面向端到端自动驾驶的一次性联邦学习方法。该方法包含多客户端校准、基于锚点的特征对齐及token级共识蒸馏技术。 在Bench2Drive基准测试中,FedE2E达到55.85分的驾驶分数,相比现有工作提升4.07分。在多轮通信设置下,经过5轮后模型达到60.35分的最佳性能,验证了该方法的有效性。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · AI
    FedE2E: 面向端到端自动驾驶的一次性联邦学习与闭环评估

    提出FedE2E方法,利用一次性联邦学习训练端到端自动驾驶模型,在Bench2Drive基准测试中达到55.85分的驾驶分数。 该方法包含多客户端校准、基于锚点的特征对齐和token级共识蒸馏。相比现有工作提升4.07分,多轮通信设置下5轮后达到60.35分最佳性能。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。