論文の概要: Privacy-Preserving Taxi-Demand Prediction Using Federated Learning
- arxiv url: http://arxiv.org/abs/2305.08107v2
- Date: Sun, 21 May 2023 01:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 02:32:34.430950
- Title: Privacy-Preserving Taxi-Demand Prediction Using Federated Learning
- Title(参考訳): フェデレーションラーニングを用いたプライバシ保護タクシー予測
- Authors: Yumeki Goto, Tomoya Matsumoto, Hamada Rizk, Naoto Yanai, Hirozumi
Yamaguchi
- Abstract要約: タクシー需要予測におけるフェデレーション学習の利用を提案する。
提案システムは、統合データで訓練された単一モデルと比較して、1%の誤差で需要レベルを正確に予測できる。
- 参考スコア(独自算出の注目度): 0.1259953341639576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Taxi-demand prediction is an important application of machine learning that
enables taxi-providing facilities to optimize their operations and city
planners to improve transportation infrastructure and services. However, the
use of sensitive data in these systems raises concerns about privacy and
security. In this paper, we propose the use of federated learning for
taxi-demand prediction that allows multiple parties to train a machine learning
model on their own data while keeping the data private and secure. This can
enable organizations to build models on data they otherwise would not be able
to access. Evaluation with real-world data collected from 16 taxi service
providers in Japan over a period of six months showed that the proposed system
can predict the demand level accurately within 1\% error compared to a single
model trained with integrated data.
- Abstract(参考訳): タクシー需要予測は、タクシー提供施設が運転を最適化し、都市計画者が交通インフラやサービスを改善するための機械学習の重要な応用である。
しかし、これらのシステムにおける機密データの使用は、プライバシーとセキュリティに関する懸念を引き起こす。
本稿では,複数の当事者がデータをプライベートかつセキュアに保ちながら,自身のデータで機械学習モデルをトレーニングできる,タクシー需要予測のためのフェデレーション学習の利用を提案する。
これにより、組織はアクセスできないデータに基づいてモデルを構築することができる。
6ヶ月間に16のタクシーサービスプロバイダから収集した実世界のデータから,本システムでは,統合データで訓練した単一モデルと比較して,1倍の誤差で需要レベルを正確に予測できることを示した。
関連論文リスト
- AssistTaxi: A Comprehensive Dataset for Taxiway Analysis and Autonomous Operations [2.76101452577748]
AssistTaxiは、滑走路とタクシーウェイの分析のための画像のコレクションである新しいデータセットである。
AssistTaxiの重要性は、自動運転事業を前進させる可能性にある。
論文 参考訳(メタデータ) (2024-09-10T20:40:54Z) - Privacy-Preserved Taxi Demand Prediction System Utilizing Distributed Data [3.1698826134900457]
CC-Netは、タクシー需要予測のためのコントラスト学習に強化された協調学習を用いた新しいアプローチである。
本手法は,複数当事者が協調して需要予測モデルを訓練できるようにすることにより,高い性能を確保する。
その結果、CC-Netは顧客のデータのプライバシーを維持しつつ、予測精度を既存の技術に比べて少なくとも2.2%向上していることがわかった。
論文 参考訳(メタデータ) (2024-08-09T08:24:47Z) - Context-Aware Automated Passenger Counting Data Denoising [2.249916681499244]
本稿では,APCデータのロバスト性向上と解析の容易化を目的としたデノナイジングアルゴリズムを提案する。
提案手法は,チケットデータと歴史的なライダーシップデータを利用する制約付き整数線形最適化により構成される。
パフォーマンスは、フランスのいくつかの公共交通ネットワークにおける他のデノナイジング手法と比較して評価され、比較される。
論文 参考訳(メタデータ) (2024-02-06T16:55:41Z) - 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) - Privacy Side Channels in Machine Learning Systems [87.53240071195168]
プライバシサイドチャネルは、システムレベルのコンポーネントを利用してプライベート情報を抽出する攻撃である。
例えば、差分プライベートなトレーニングを適用する前にトレーニングデータを重複させることで、保証可能なプライバシ保証を完全に無効にするサイドチャネルが生成されることを示す。
さらに,学習データセットに含まれる秘密鍵を抽出するために,言語モデルを学習データ再生からブロックするシステムを利用することを示す。
論文 参考訳(メタデータ) (2023-09-11T16:49:05Z) - Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。
Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。
公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
論文 参考訳(メタデータ) (2022-12-13T10:41:12Z) - Embedding Synthetic Off-Policy Experience for Autonomous Driving via
Zero-Shot Curricula [48.58973705935691]
我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。
次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
論文 参考訳(メタデータ) (2022-12-02T18:57:21Z) - Privacy-Preserving Machine Learning for Collaborative Data Sharing via
Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。
本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-10T17:36:58Z) - Certified Data Removal in Sum-Product Networks [78.27542864367821]
収集したデータの削除は、データのプライバシを保証するのに不十分であることが多い。
UnlearnSPNは、訓練された総生産ネットワークから単一データポイントの影響を取り除くアルゴリズムである。
論文 参考訳(メタデータ) (2022-10-04T08:22:37Z) - GOF-TTE: Generative Online Federated Learning Framework for Travel Time
Estimation [8.05623264361826]
本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。
トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。
また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
論文 参考訳(メタデータ) (2022-07-02T14:10:26Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳(メタデータ) (2020-08-29T15:14:03Z)
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。