論文の概要: Local Differential Privacy based Federated Learning for Internet of
Things
- arxiv url: http://arxiv.org/abs/2004.08856v2
- Date: Tue, 22 Dec 2020 15:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 00:42:19.660210
- Title: Local Differential Privacy based Federated Learning for Internet of
Things
- Title(参考訳): ローカルディファレンシャルプライバシに基づくモノのインターネットのための連合学習
- Authors: Yang Zhao, Jun Zhao, Mengmeng Yang, Teng Wang, Ning Wang, Lingjuan
Lyu, Dusit Niyato, Kwok-Yan Lam
- Abstract要約: Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
- 参考スコア(独自算出の注目度): 72.83684013377433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Vehicles (IoV) is a promising branch of the Internet of Things.
IoV simulates a large variety of crowdsourcing applications such as Waze, Uber,
and Amazon Mechanical Turk, etc. Users of these applications report the
real-time traffic information to the cloud server which trains a machine
learning model based on traffic information reported by users for intelligent
traffic management. However, crowdsourcing application owners can easily infer
users' location information, which raises severe location privacy concerns of
the users. In addition, as the number of vehicles increases, the frequent
communication between vehicles and the cloud server incurs unexpected amount of
communication cost. To avoid the privacy threat and reduce the communication
cost, in this paper, we propose to integrate federated learning and local
differential privacy (LDP) to facilitate the crowdsourcing applications to
achieve the machine learning model. Specifically, we propose four LDP
mechanisms to perturb gradients generated by vehicles. The Three-Outputs
mechanism is proposed which introduces three different output possibilities to
deliver a high accuracy when the privacy budget is small. The output
possibilities of Three-Outputs can be encoded with two bits to reduce the
communication cost. Besides, to maximize the performance when the privacy
budget is large, an optimal piecewise mechanism (PM-OPT) is proposed. We
further propose a suboptimal mechanism (PM-SUB) with a simple formula and
comparable utility to PM-OPT. Then, we build a novel hybrid mechanism by
combining Three-Outputs and PM-SUB.
- Abstract(参考訳): Internet of Vehicles (IoV)はInternet of Thingsの有望な部門である。
IoVは、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートしている。
これらのアプリケーションのユーザは,ユーザの報告したトラフィック情報に基づいて,機械学習モデルをトレーニングするクラウドサーバに,リアルタイムトラフィック情報を報告する。
しかし、クラウドソーシングアプリケーションオーナーは、ユーザの位置情報を簡単に推測できるため、ユーザの深刻な位置プライバシー上の懸念が生じる。
さらに,車両数の増加に伴い,車両とクラウドサーバ間の頻繁な通信により,予期せぬ通信コストが発生する。
本稿では,プライバシの脅威を回避し,通信コストを低減するため,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーションラーニングとローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
具体的には,車両の摂動勾配に対する4つのLPP機構を提案する。
プライバシ予算が小さい場合に高い精度を提供するために、3つの異なる出力可能性を導入する三出力機構を提案する。
Three-Outputsの出力可能性は2ビットで符号化でき、通信コストを削減できる。
また,プライバシ予算が大きい場合の性能を最大化するために,最適ピースワイズ機構(PM-OPT)を提案する。
さらに, PM-OPT に匹敵する実用性を備えた準最適機構 (PM-SUB) を提案する。
次に三出力とPM-SUBを組み合わせた新しいハイブリッド機構を構築する。
関連論文リスト
- A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。
また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。
その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文 参考訳(メタデータ) (2024-01-24T23:11:11Z) - Differentially Private Over-the-Air Federated Learning Over MIMO Fading
Channels [24.534729104570417]
フェデレートラーニング(FL)は、エッジデバイスが機械学習モデルを協調的にトレーニングすることを可能にする。
オーバー・ザ・エアのモデルアグリゲーションは通信効率を向上させるが、無線ネットワーク上のエッジサーバにモデルをアップロードすると、プライバシのリスクが生じる可能性がある。
FLモデルとマルチアンテナサーバとの通信がプライバシー漏洩を増幅することを示す。
論文 参考訳(メタデータ) (2023-06-19T14:44:34Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳(メタデータ) (2023-02-19T16:58:53Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - Privacy-Aware Compression for Federated Learning Through Numerical
Mechanism Design [32.45650219508591]
本稿では,より効率的なプライバシ解析を可能にする数値設計法を提案する。
Interpolated MVUメカニズムはよりスケーラブルで、より優れたプライバシユーティリティトレードオフを持ち、さまざまなデータセット上で通信効率のよいプライベートFLに対してSOTA結果を提供する。
論文 参考訳(メタデータ) (2022-11-08T01:36:15Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Situation Awareness for Autonomous Vehicles Using Blockchain-based
Service Cooperation [4.1650513680603884]
ブロックチェーンに基づくトラフィックデータプロデューサとコンシューマ間のスマートコントラクトを実現する分散フレームワークを提案する。
自動運転車は、ローカルエッジサーバに接続したり、データを共有したり、合意に基づいてサービスを使用する。
このようなシナリオにおけるマルチキャスト伝送は、異なるサイズのデータパケットを1秒未満で送信できる場合のスループットを2.5倍に向上させる。
論文 参考訳(メタデータ) (2022-04-07T09:23:30Z) - Blockchain-Based Federated Learning in Mobile Edge Networks with
Application in Internet of Vehicles [7.038557568936009]
プライバシーに関する懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックです。
本稿では,モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された,自律型ブロックチェーンによるプライバシ保護FLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-01T16:38:40Z)
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。