基于联邦学习的风险感知决策以缓解虚假任务对众包感知平台的影响
机器学习
2024-10-28 v1 人工智能
摘要
移动众包感知（MCS）通过利用嵌入大量移动智能设备中的传感器，实现了分布式且非专用的感知概念。然而，MCS 的开放性与分布式特性导致了各种漏洞及相应的挑战。向 MCS 平台提交虚假感知任务的恶意用户，可能试图消耗任意数量参与设备的资源，并试图阻塞 MCS 服务器。本文提出一种基于横向联邦学习的新方法，以识别包含若干独立检测设备与一个聚合实体的虚假任务。检测设备被部署为并行运行，每个设备配备一个机器学习（ML）模块及相应的训练数据集。此外，聚合模块收集各设备的预测结果，并以最小化预测损失为目标确定最终决策。损失度量考虑了因误分类导致的任务价值损失，其中最终决策采用风险感知方法，将风险表述为效用损失的函数。实验结果表明，使用联邦学习驱动的非法任务检测与风险感知聚合函数，提升了传统集中式框架的检测性能。此外，所提框架可实现更高的检测性能与更低的效用损失。该方案即使在分布于各设备上的小规模训练数据集上也能达到 100% 的检测准确率，同时相比传统方法检测性能提升略超 8%。
引用
@article{arxiv.2101.01266,
title = {Federated Learning-Based Risk-Aware Decision toMitigate Fake Task Impacts on CrowdsensingPlatforms},
author = {Zhiyan Chen and Murat Simsek and Burak Kantarci},
journal= {arXiv preprint arXiv:2101.01266},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication