一种启用联邦学习的智能路灯监控应用：益处与未来挑战
计算机视觉与模式识别
2023-03-07 v1 机器学习
摘要
近年来，数据驱动的城市借助自动化学习得到加速发展并得以增强，以改善智慧城市应用。在物联网（IoT）生态系统中，数据通信往往成本高昂、效率低下、难以扩展且缺乏安全性。联邦学习（FL）在为保护隐私且通信高效的机器学习（ML）框架方面发挥着关键作用。本文评估了在智慧城市路灯监控应用背景下FL的可行性。针对灯杆运行分类任务，将FL与集中式和（完全）个性化机器学习技术的基准进行比较。在此类场景中引入FL，在分类任务上表现出极小的性能下降，但在通信成本和隐私保护方面有巨大改进。这些结果强化了FL在IoT应用中的可行性与潜力。
引用
@article{arxiv.2208.12996,
title = {A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges},
author = {Diya Anand and Ioannis Mavromatis and Pietro Carnelli and Aftab Khan},
journal= {arXiv preprint arXiv:2208.12996},
year = {2023}
}
备注
Accepted for publication at ACM MobiCom 2022 - (MORSE Workshop)