不共享亦关怀:面向城市表征多样化的联邦学习众包感知框架
计算机与社会
2022-01-21 v1 人工智能
机器学习
摘要
移动众包感知(Mobile Crowdsensing, MCS)已成为研究者大规模收集市民行为数据的主流范式。这些宝贵数据可用于创建集中式存储库,以训练先进的 AI 模型,为社会各方面受益的各种服务提供支持。尽管数十年的研究已探讨了 MCS 在激励方面的可行性,并作出诸多降低参与壁垒的尝试,但关于共享个人数据的隐私担忧仍挥之不去。近来出现了一条新路径,使 MCS 范式转向更具隐私保护性的协作学习,即联邦学习(Federated Learning)。本文提出一种该新兴范式的首创框架。我们通过一个案例研究展示框架功能:通过使两种视觉算法学习普通人行道障碍物的表征以使其多样化,作为增强视障人士导航的一部分。
引用
@article{arxiv.2201.07980,
title = {Caring Without Sharing: A Federated Learning Crowdsensing Framework for Diversifying Representation of Cities},
author = {Michael Cho and Afra Mashhadi},
journal= {arXiv preprint arXiv:2201.07980},
year = {2022}
}
备注
17 pages, 6 figures, submitted to EAI MobiQuitous 2021