FedGeo：基于联邦学习的隐私保护用户下一位置预测
密码学与安全
2023-12-11 v1 人工智能
机器学习
摘要
用户下一位置预测（UNLP）任务，即根据用户的历史轨迹预测其将要移动到的下一个位置，是众多应用中不可或缺的任务。以往在单一服务器上使用大规模轨迹数据集的研究在UNLP任务中取得了显著成效。然而，在实际应用中，由于隐私问题引发的法律和伦理问题，导致限制将人类轨迹数据集共享给任何其他服务器。为此，联邦学习（FL）应运而生，通过协同训练多个客户端（即用户）然后进行聚合，来解决个人隐私问题。尽管已有研究将FL用于UNLP，但由于客户端移动性的异质性，它们仍无法实现可靠的性能。为了解决这个问题，我们提出了面向地理信息的联邦学习（FedGeo），这是一个专为UNLP设计的FL框架，旨在缓解客户端移动性的异质性并保障个人隐私保护。首先，我们将先验的全局地理邻接信息整合到本地客户端模型中，因为在FL中，每个客户端只拥有整体轨迹的一个异构子集，位置间的空间相关性只能得到部分训练。我们还引入了一种新颖的聚合方法，通过最小化客户端模型之间的差距，来解决客户端在使用其异构数据学习时因模型差异导致的客户端漂移问题。最后，我们通过关注访问地点相对多样的客户端，概率性地将具有极端异构数据的客户端排除在FL过程之外。我们证明，在UNLP任务的模型性能方面，FedGeo优于其他FL方法。我们还使用我们自有客户的手机和FL代理系统，在真实世界应用中验证了我们的模型。
引用
@article{arxiv.2312.04594,
title = {FedGeo: Privacy-Preserving User Next Location Prediction with Federated Learning},
author = {Chung Park and Taekyoon Choi and Taesan Kim and Mincheol Cho and Junui Hong and Minsung Choi and Jaegul Choo},
journal= {arXiv preprint arXiv:2312.04594},
year = {2023}
}
备注
Accepted at 31st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM SIGSPATIAL 2023)