面向定位的联邦学习：一种隐私保护众包方法

Bekir Sait Ciftler; Abdullatif Albaseer; Noureddine Lasla; Mohamed Abdallah

面向定位的联邦学习：一种隐私保护众包方法

网络与互联网体系结构 2020-02-05 v2 机器学习

作者: Bekir Sait Ciftler , Abdullatif Albaseer , Noureddine Lasla , Mohamed Abdallah

摘要

基于接收信号强度(RSS)指纹的定位因其低成本和易实现性吸引了大量研究投入，并培育了许多基于位置服务的商业应用。许多研究正在探索使用深度学习(DL)算法进行定位。DL自主提取特征和分类的能力使其成为基于指纹定位的一个有吸引力的解决方案。这些解决方案需要使用大量测量数据对DL模型进行频繁重训练。尽管众包是收集海量数据的极佳方式，但由于需要在中心服务器收集带标签数据，它危及了参与者的隐私。近来，联邦学习作为一种实用概念应运而生，通过以去中心化方式在边缘设备执行模型训练，解决了众包参与者的隐私保护问题；参与者不再将其数据暴露给中心服务器。本文提出一种利用联邦学习在保护众包参与者隐私的同时提高基于RSS指纹定位精度的新方法。采用联邦学习可在确保\emph{保护用户数据隐私}的同时，利用真实环境中捕获的实验数据实现充分的定位性能。所提方法作为集中式学习的增强器时定位精度提高了1.8米，单独使用时也达到了令人满意的定位精度。

关键词

联邦学习 RSS指纹定位隐私保护众包深度学习

引用

@article{arxiv.2001.01911,
  title  = {Federated Learning for Localization: A Privacy-Preserving Crowdsourcing Method},
  author = {Bekir Sait Ciftler and Abdullatif Albaseer and Noureddine Lasla and Mohamed Abdallah},
  journal= {arXiv preprint arXiv:2001.01911},
  year   = {2020}
}

备注

6 pages, An improved version of this manuscript in review for IEEE ICC ANLN Workshops 2020

面向定位的联邦学习：一种隐私保护众包方法

摘要

关键词

引用

备注

相关论文