跨城市联邦迁移学习框架：以城市区域画像为例
机器学习
2022-07-13 v3 人工智能
摘要
由城市服务与基础设施不足或发展水平不平衡导致的数据不充分问题（即数据缺失与标签稀缺）已严重影响真实场景中的城市计算任务。先前的迁移学习方法提供了一种应对数据不充分的优雅方案，但仅关注一种不充分问题，未能兼顾两方面。此外，多数已有跨城市迁移方法忽视了城市间数据隐私，而这是实际应用中的公共关切。为解决上述挑战性问题，我们提出一种新颖的跨城市联邦迁移学习框架（CcFTL）以应对数据不充分与隐私问题。具体而言，CcFTL 将关系知识从多个富数据源城市迁移至目标城市。此外，针对目标任务的模型参数源数据上首先训练，随后通过参数迁移微调至目标城市。借助我们对联邦训练与同态加密设置的适配，CcFTL 能有效处理城市间数据隐私问题。我们以智慧城市的城市区域画像为应用，并通过真实世界研究评估所提方法。实验证明了我们的框架相对于若干具竞争力的前沿方法具有显著优越性。
引用
@article{arxiv.2206.00007,
title = {A Cross-City Federated Transfer Learning Framework: A Case Study on Urban Region Profiling},
author = {Gaode Chen and Yijun Su and Xinghua Zhang and Anmin Hu and Guochun Chen and Siyuan Feng and Ji Xiang and Junbo Zhang and Yu Zheng},
journal= {arXiv preprint arXiv:2206.00007},
year = {2022}
}