面向无线传感网络信号的隐私保护联邦潜在因子学习
机器学习
2025-04-23 v1
摘要
无线传感网络 (WSN) 是智能感知领域的前沿技术。由于传感器故障和节能策略，收集的数据常常存在大量缺失，阻碍后续分析和决策。虽然潜在因子学习 (LFL) 在恢复缺失数据方面已被证明有效，但未充分考虑数据隐私保护。为此，本文创新性地提出了一种基于联邦潜在因子学习 (FLFL) 的空间信号恢复 (SSR) 模型，称为 FLFL-SSR。其主要思想有二：1) 设计了传感器级别的联邦学习框架，各传感器仅上传梯度更新而非原始数据，以优化全局模型；2) 提出了本地空间共享策略，使同一空间区域内的传感器共享其潜在特征向量，捕捉空间相关性并提升恢复精度。实验结果表明，在两个真实世界的 WSN 数据集上，所提出的模型在恢复性能方面优于现有的联邦方法。
引用
@article{arxiv.2504.15525,
title = {Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving},
author = {Chengjun Yu and Yixin Ran and Yangyi Xia and Jia Wu and Xiaojing Liu},
journal= {arXiv preprint arXiv:2504.15525},
year = {2025}
}
备注
Accepted By ICAIS&ISAS 2025