eFedDNN：基于集成的联邦深度神经网络用于出行方式推断
机器学习
2022-05-13 v1
摘要
作为智能移动系统中最重要的数据源，GPS轨迹有助于识别用户的出行方式。然而，这些GPS数据集可能包含用户的隐私信息（例如家庭位置），导致许多用户不愿与第三方共享其隐私信息。因此，在保护用户隐私的同时识别出行方式是一个重要问题。为应对这一挑战，我们采用联邦学习（FL），这是一种隐私保护机器学习技术，旨在通过访问用户本地训练的模型而非其原始数据来协作训练一个鲁棒的全局模型。具体而言，我们设计了一种新颖的基于集成的联邦深度神经网络（eFedDNN）。该集成方法通过联邦学习由用户学习到的不同模型的输出进行组合，其准确率超越了文献中报道的可比模型。在来自蒙特利尔的真实开放获取数据集上进行的大量实验研究表明，所提出的推断模型能够在不泄露隐私的情况下实现对用户出行方式的准确识别。
引用
@article{arxiv.2205.05756,
title = {eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference},
author = {Daniel Opoku Mensah and Godwin Badu-Marfo and Ranwa Al Mallah and Bilal Farooq},
journal= {arXiv preprint arXiv:2205.05756},
year = {2022}
}