論文の概要: Device-Induced Mobility Heterogeneity and Its Impact on Federated Next-Location Prediction

• arxiv url: http://arxiv.org/abs/2610.39791v1
• Date: Thu, 29 Oct 2026 10:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:40:56.321484
• Title: Device-Induced Mobility Heterogeneity and Its Impact on Federated Next-Location Prediction
• Title（参考訳）: デバイス誘起運動不均一性とフェデレーション次位置予測への影響
• Abstract要約: 欧州の密集都市におけるMNOの主要データを用いて,デバイスレベルのモビリティの不均一性を大規模に測定した。 層別クライアント選択によるサイロ間のバランシングデバイス層が最高の結果となり、精度を低下させることなく、34.49%の公平性を向上できることがわかった。
• 参考スコア（独自算出の注目度）: 3.247677361010284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting human mobility is central to network management, urban planning, and location-based services, yet privacy concerns are increasingly pushing such tasks toward federated learning. A key challenge in this setting is the strong heterogeneity of mobility data across users, which leads to non-IID data distributions and can significantly impact model performance and fairness. In this paper, we present a large-scale measurement study of device-level mobility heterogeneity using data from a major MNO in a dense European capital. Our dataset comprises mobility traces derived from network events, covering over 50,000 UEs across 178 smartphone models. We group devices into tiers based on their market segment and show that mobility characteristics, such as spatial range and regularity, vary systematically across these tiers, revealing a previously underexplored source of bias in mobility data. We investigate the implications of this heterogeneity on the use case of federated next-location prediction. In particular, we find that balancing device tiers across silos through tier-aware client selection yields the best results, improving fairness by up to 34.49% without degrading accuracy. In contrast, a FedProx-only approach achieves a 21.46% fairness improvement, offering a reasonable alternative when device information is unavailable, though with lower overall gains.
• Abstract（参考訳）: 人間のモビリティを予測することは、ネットワーク管理、都市計画、そして位置情報ベースのサービスの中心であるが、プライバシーに関する懸念は、そのようなタスクを連邦学習へと押し付けている。 この設定における重要な課題は、ユーザ間のモビリティデータの強い不均一性であり、非IIDデータ分散につながり、モデルの性能と公正性に大きな影響を及ぼす可能性がある。 本稿では,欧州の密集都市における主要MNOのデータを用いて,デバイスレベルのモビリティの不均一性を大規模に測定する。 われわれのデータセットは、ネットワークイベントに由来するモビリティトレースで構成され、178のスマートフォンモデルに5万以上のUEをカバーしている。 我々は、デバイスを市場セグメントに基づいて層に分類し、空間範囲や規則性などの移動特性が、これらの層によって体系的に異なることを示す。 フェデレートされた次位置予測のユースケースにおける, この異種性の影響について検討した。 特に、層別クライアント選択によるサイロ間のデバイス階層のバランスが最良の結果となり、精度を低下させることなく、最大34.49%の公平性を向上することがわかった。 これとは対照的に、FedProxのみのアプローチは21.46%の公正性向上を実現し、デバイス情報が利用できない場合に合理的な代替手段を提供するが、全体的な利益は低い。

関連論文リスト

• Mind the Gaps: Auditing and Reducing Group Inequity in Large-Scale Mobility Prediction [9.369284351516358]
  次のロケーション予測は、モビリティ、小売、公衆衛生のアプリケーションの増加を支えている。 本稿では,大規模データセット上で訓練された最先端のモビリティ予測モデルを評価する。 基礎となるデータセットから生じる系統的な差異が示され、位置とユーザグループに基づいて精度に大きな違いが生じる。
  論文  参考訳（メタデータ） (2025-10-30T18:54:33Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Smooth Handovers via Smoothed Online Learning [48.953313950521746]
  まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。 本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。 本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-14T13:16:33Z)
• Federated Learning in Mobile Networks: A Comprehensive Case Study on Traffic Forecasting [2.661771915992631]
  Federated Learning(FL)は、さまざまなサイト間のコラボレーションを促進するための、分散されたプライバシ保護ソリューションである。 本稿では,バルセロナ(スペイン)の基地局(BS)からの実世界データを用いたフェデレーション交通予測のケーススタディを通じて,電気通信におけるFLの潜在的なメリットについて検討する。 評価は予測精度と持続可能性の両方に基づいており,様々な環境でのFLアルゴリズムの環境影響を示す。
  論文  参考訳（メタデータ） (2024-12-05T11:32:14Z)
• Attacks Against Mobility Prediction in 5G Networks [2.1374208474242815]
  これらの予測の精度を損なう可能性のあるモビリティ攻撃が存在することを示す。 1万人規模の半現実的なシナリオでは、携帯端末を乗っ取る能力を備えた敵が、予測精度を75%から40%に大幅に低下させることを示した。 防御機構は特定の領域における攻撃と移動タイプに大きく依存するが,基本的KMeansクラスタリングは正反対のUEを識別するのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T16:24:19Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing [95.18236298557721]
  DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
  論文  参考訳（メタデータ） (2021-11-22T08:49:33Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)

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。