論文の概要: Privacy-Preserving Federated Learning for Fair and Efficient Urban Traffic Optimization

• arxiv url: http://arxiv.org/abs/2511.06363v1
• Date: Sun, 09 Nov 2025 13:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.905497
• Title: Privacy-Preserving Federated Learning for Fair and Efficient Urban Traffic Optimization
• Title（参考訳）: 公平かつ効率的な都市交通最適化のためのプライバシ保護フェデレーション学習
• Authors: Rathin Chandra Shit, Sharmila Subudhi,
• Abstract要約: 本研究ではFedFair-Trafficと呼ばれる,プライバシ保護のためのフェデレーション学習フレームワークを提案する。 共同でかつ同時に、旅行効率、交通公正性、および差分プライバシー保護を最適化する。 METR-LAの交通データセットの実際の実験では、FedFair-Trafficは中央集権ベースラインと比較して平均走行時間を7%(14.2分)削減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.5505634045241287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The optimization of urban traffic is threatened by the complexity of achieving a balance between transport efficiency and the maintenance of privacy, as well as the equitable distribution of traffic based on socioeconomically diverse neighborhoods. Current centralized traffic management schemes invade user location privacy and further entrench traffic disparity by offering disadvantaged route suggestions, whereas current federated learning frameworks do not consider fairness constraints in multi-objective traffic settings. This study presents a privacy-preserving federated learning framework, termed FedFair-Traffic, that jointly and simultaneously optimizes travel efficiency, traffic fairness, and differential privacy protection. This is the first attempt to integrate three conflicting objectives to improve urban transportation systems. The proposed methodology enables collaborative learning between related vehicles with data locality by integrating Graph Neural Networks with differential privacy mechanisms ($\epsilon$-privacy guarantees) and Gini coefficient-based fair constraints using multi-objective optimization. The framework uses federated aggregation methods of gradient clipping and noise injection to provide differential privacy and optimize Pareto-efficient solutions for the efficiency-fairness tradeoff. Real-world comprehensive experiments on the METR-LA traffic dataset showed that FedFair-Traffic can reduce the average travel time by 7\% (14.2 minutes) compared with their centralized baselines, promote traffic fairness by 73\% (Gini coefficient, 0.78), and offer high privacy protection (privacy score, 0.8) with an 89\% reduction in communication overhead. These outcomes demonstrate that FedFair-Traffic is a scalable privacy-aware smart city infrastructure with possible use-cases in metropolitan traffic flow control and federated transportation networks.
• Abstract（参考訳）: 都市交通の最適化は、輸送効率とプライバシの維持のバランスをとる複雑さと、社会経済的に多様な地区に基づく交通の均等な分布によって脅かされている。 現在の集中型トラフィック管理スキームは、ユーザ位置のプライバシに侵入し、不適切なルート提案を提供することにより、さらにトラフィック格差を増大させる。 本研究では,FedFair-Trafficと呼ばれる,旅行効率,交通公正性,および差分プライバシー保護を同時かつ同時に最適化する,プライバシ保護型フェデレーション学習フレームワークを提案する。 これは、都市交通システムを改善するために、対立する3つの目標を統合する最初の試みである。 提案手法は,グラフニューラルネットワークと差分プライバシー機構("\epsilon$-privacy guarantees")と,多目的最適化を用いたGini係数に基づく公正制約を統合することで,データ局所性を持つ関連車両間の協調学習を可能にする。 このフレームワークは、勾配クリッピングとノイズ注入のフェデレーションアグリゲーション手法を使用して、差分プライバシを提供し、効率-公正トレードオフのためのパレート効率の高いソリューションを最適化する。 METR-LAの交通データセットに関する実世界の総合的な実験によると、FedFair-Trafficは中央集権ベースラインと比較して平均走行時間を7\%(14.2分)削減し、交通公正度を73\%(Gini coefficient, 0.78)向上させ、通信オーバーヘッドを89\%削減して高いプライバシー保護(プライバシスコア, 0.8)を提供する。 これらの結果から、FedFair-Trafficは、大都市交通フロー制御とフェデレーション交通ネットワークにおけるユースケースが考えられる、スケーラブルなプライバシ対応のスマートシティインフラストラクチャであることが示された。

関連論文リスト

• Privacy-Preserving Offloading for Large Language Models in 6G Vehicular Networks [0.6524460254566904]
  本稿では,6G vehicular ネットワークのための新しいプライバシ保護オフロードフレームワークを提案する。 ユーザデータを保護するために,フェデレートラーニング(FL)とディファレンシャルプライバシ(DP)技術を組み合わせたハイブリッドアプローチを導入する。 実験の結果,非プライバシ保存法に比べて75%の精度で2-3%の削減が達成できた。
  論文  参考訳（メタデータ） (2025-08-30T10:08:28Z)
• Effective and Efficient Cross-City Traffic Knowledge Transfer: A Privacy-Preserving Perspective [24.359053901146623]
  我々は、効果的で、効率的で、プライバシーに配慮したクロスシティ交通知識伝達フレームワークであるFedTTを提案する。 FedTTは、トラフィックデータドメインを、データ豊富な都市からデータ少ない都市に変換する。 4つの実生活データセットを用いた実験は、FedTTが14の最先端ベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-15T02:26:24Z)
• Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
  フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。 現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。 個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
  論文  参考訳（メタデータ） (2024-07-17T00:42:47Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Balancing Fairness and Efficiency in Traffic Routing via Interpolated Traffic Assignment [29.556405472628402]
  補間交通割当問題(英: Interpolated Traffic Assignment Problem, I-TAP)は、公平性促進と効率性向上のための交通割当を補間する凸プログラムである。 輸送ネットワークにおけるI-TAPと最先端アルゴリズムの数値比較について述べる。
  論文  参考訳（メタデータ） (2021-03-31T20:32:52Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  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。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。