联邦众包感知：框架与挑战

随着智能移动设备的普及和先进网络基础设施的发展，众包感知成为一种用于智慧城市应用（如交通与环境监测）的有前景的感知范式。同时，由于任务由个人执行，隐私保护是众包感知系统中的关键问题之一。传统上，为缓解用户的隐私担忧，通过差分隐私等技术向参与者的敏感数据（如参与者位置）添加噪声。然而，这不可避免地导致众包感知任务的质量损失。近来，联邦学习范式被提出，旨在实现机器学习中的隐私保护，同时确保学习质量几乎或完全不受损。受联邦学习范式启发，本文研究联邦学习如何惠及众包感知应用。特别地，我们首先提出一个联邦众包感知框架，其分析了每个众包感知阶段（即任务创建、任务分配、任务执行与数据聚合）的隐私担忧，并讨论联邦学习技术如何发挥作用。最后，我们总结了联邦众包感知中的关键挑战与机遇。