論文の概要: Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach
- arxiv url: http://arxiv.org/abs/2003.08725v1
- Date: Thu, 19 Mar 2020 13:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 03:57:52.326237
- Title: Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach
- Title(参考訳): プライバシー保護型トラヒックフロー予測:フェデレーション学習アプローチ
- Authors: Yi Liu, James J.Q. Yu, Jiawen Kang, Dusit Niyato, Shuyu Zhang
- Abstract要約: 本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
- 参考スコア(独自算出の注目度): 61.64006416975458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing traffic flow forecasting approaches by deep learning models achieve
excellent success based on a large volume of datasets gathered by governments
and organizations. However, these datasets may contain lots of user's private
data, which is challenging the current prediction approaches as user privacy is
calling for the public concern in recent years. Therefore, how to develop
accurate traffic prediction while preserving privacy is a significant problem
to be solved, and there is a trade-off between these two objectives. To address
this challenge, we introduce a privacy-preserving machine learning technique
named federated learning and propose a Federated Learning-based Gated Recurrent
Unit neural network algorithm (FedGRU) for traffic flow prediction. FedGRU
differs from current centralized learning methods and updates universal
learning models through a secure parameter aggregation mechanism rather than
directly sharing raw data among organizations. In the secure parameter
aggregation mechanism, we adopt a Federated Averaging algorithm to reduce the
communication overhead during the model parameter transmission process.
Furthermore, we design a Joint Announcement Protocol to improve the scalability
of FedGRU. We also propose an ensemble clustering-based scheme for traffic flow
prediction by grouping the organizations into clusters before applying FedGRU
algorithm. Through extensive case studies on a real-world dataset, it is shown
that FedGRU's prediction accuracy is 90.96% higher than the advanced deep
learning models, which confirm that FedGRU can achieve accurate and timely
traffic prediction without compromising the privacy and security of raw data.
- Abstract(参考訳): ディープラーニングモデルによる既存のトラフィックフロー予測アプローチは,政府や組織が収集した大量のデータセットに基づいて,優れた成功を収めている。
しかし、これらのデータセットには多くのユーザのプライベートデータが含まれており、ユーザプライバシが近年の公衆の懸念を求めているため、現在の予測アプローチに挑戦している。
したがって、プライバシーを守りながら正確なトラフィック予測をする方法は、解決すべき重要な問題であり、この2つの目的の間にはトレードオフがある。
この課題に対処するために,federated learningというプライバシ保存型機械学習手法を導入し,トラフィックフロー予測のためのfederated learning-based gated recurrent unit neural network algorithm (fedgru)を提案する。
FedGRUは、現在の集中学習方法と異なり、組織間で生データを直接共有するのではなく、安全なパラメータ集約メカニズムを通じて、ユニバーサル学習モデルを更新する。
安全なパラメータアグリゲーション機構では,モデルパラメータ伝達過程における通信オーバーヘッドを低減するために,フェデレーション平均化アルゴリズムを採用する。
さらに,FedGRUのスケーラビリティを向上させるための共同発表プロトコルを設計する。
また,FedGRUアルゴリズムを適用する前に,組織をクラスタ化してトラフィックフロー予測のためのアンサンブルクラスタリング方式を提案する。
実世界のデータセットに関する広範なケーススタディを通じて、FedGRUの予測精度は高度なディープラーニングモデルよりも90.96%高く、FedGRUが生データのプライバシーとセキュリティを損なうことなく正確かつタイムリーなトラフィック予測を達成できることを確認する。
関連論文リスト
- An Empirical Study of Efficiency and Privacy of Federated Learning
Algorithms [2.994794762377111]
今日の世界では、IoTネットワークの急速な拡大とスマートデバイスの普及により、相当量の異種データが生成される。
このデータを効果的に扱うためには、プライバシーと効率の両立を保証するために高度なデータ処理技術が必要である。
フェデレーション学習は、モデルをローカルにトレーニングし、データをプライバシを保存するためにサーバに集約する分散学習手法として登場した。
論文 参考訳(メタデータ) (2023-12-24T00:13:41Z) - Initialization Matters: Privacy-Utility Analysis of Overparameterized
Neural Networks [72.51255282371805]
我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。
このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
論文 参考訳(メタデータ) (2023-10-31T16:13:22Z) - B^2SFL: A Bi-level Blockchained Architecture for Secure Federated
Learning-based Traffic Prediction [4.3030251749726345]
Federated Learning(FL)は、プライバシを保存する機械学習技術である。
悪意のある参加者と集中型のFLサーバによって、セキュリティとプライバシの保証が侵害される可能性がある。
本稿では,セキュアなフェデレート学習に基づくトラフィック予測のための,双方向ブロックチェーンアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-23T08:06:05Z) - Online Spatio-Temporal Correlation-Based Federated Learning for Traffic
Flow Forecasting [11.253575460227127]
本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。
次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
論文 参考訳(メタデータ) (2023-02-17T02:37:36Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - Federated Learning for 5G Base Station Traffic Forecasting [0.0]
基地局LTEデータに分散学習を適用した時系列予測の有効性について検討した。
この結果から,フェデレートされた設定に適応した学習アーキテクチャは,集中型設定に等価な予測誤差をもたらすことがわかった。
さらに,基地局における前処理技術により予測精度が向上する一方,先進的な統合アグリゲータは単純なアプローチを超越しない。
論文 参考訳(メタデータ) (2022-11-28T11:03:29Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳(メタデータ) (2021-11-28T19:03:39Z) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳(メタデータ) (2021-06-25T14:47:19Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳(メタデータ) (2020-10-23T10:35:35Z) - SPEED: Secure, PrivatE, and Efficient Deep learning [2.283665431721732]
私たちは、強力なプライバシー制約に対処できるディープラーニングフレームワークを導入します。
協調学習、差分プライバシー、同型暗号化に基づいて、提案手法は最先端技術に進化する。
論文 参考訳(メタデータ) (2020-06-16T19:31:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。