利用联邦学习挖掘智能城市中未标记数据的价值
机器学习
2020-03-06 v2 密码学与安全
摘要
隐私问题被视为智能城市的主要挑战之一,因为共享敏感数据会给人们生活带来威胁性问题。联邦学习已成为一种避免隐私侵犯并提高数据利用率的有效技术。然而,智能城市中收集的标记数据稀缺而未标记数据丰富,因此需要使用半监督学习。我们提出一种称为FedSem的半监督联邦学习方法,该方法利用未标记数据。该算法分为两个阶段,第一阶段基于标记数据训练全局模型。在第二阶段,我们基于伪标记技术使用半监督学习来改进模型。我们使用交通标志数据集进行了若干实验,表明FedSem通过在学习过程中利用未标记数据可将准确率提高多达8%。
引用
@article{arxiv.2001.04030,
title = {Exploiting Unlabeled Data in Smart Cities using Federated Learning},
author = {Abdullatif Albaseer and Bekir Sait Ciftler and Mohamed Abdallah and Ala Al-Fuqaha},
journal= {arXiv preprint arXiv:2001.04030},
year = {2020}
}
备注
Submitted for possible publication