联邦学习中改善家庭物联网服务的响应时间
机器学习
2022-03-01 v1
摘要
对于带有传感器和机器学习的智能家庭物联网服务，我们需要将物联网数据上传至无法共享私有数据用于训练的云服务器。一种称为联邦学习的近期机器学习方法，在分布式计算环境中将用户数据保留在设备上。尽管联邦学习有益于保护隐私，但由于物联网设备通常由云端远程服务器控制，其在家庭物联网服务的端到端响应时间方面表现不佳。此外，由于数据不足问题和模型反演攻击，难以实现联邦学习模型的高准确率。本文中，我们提出一种用于联邦学习家庭服务的本地物联网控制方法，可快速准确地识别家庭网络中的用户行为。我们呈现带有迁移学习和差分隐私的联邦学习客户端，以解决数据稀缺和数据模型反演攻击问题。通过实验，我们表明由联邦学习客户端进行的家庭物联网设备本地控制用于用户认证和控制消息传输，将响应时间改善至小于1秒。此外，我们证明带有迁移学习的联邦学习在9,000个样本下达到97%准确率，与集中式学习仅差2%。
引用
@article{arxiv.2202.13626,
title = {Improving Response Time of Home IoT Services in Federated Learning},
author = {Dongjun Hwang and Hyunsu Mun and Youngseok Lee},
journal= {arXiv preprint arXiv:2202.13626},
year = {2022}
}
备注
To appear at SAC 2022. Code: https://github.com/HwangDongJun/Federated_Learning_using_Websockets