面向交通状态估计的隐私保护数据融合：一种垂直联邦学习方法
机器学习
2024-01-23 v1 密码学与安全
系统与控制
系统与控制
摘要
本文提出了一种用于交通状态估计（TSE）的隐私保护数据融合方法。与现有假设所有数据源可由单一可信方访问的工作不同，我们明确解决了多个数据所有者（如市政当局和出行服务提供商）之间协作和数据共享中产生的数据隐私问题。为此，我们提出了一种新颖的垂直联邦学习（FL）方法FedTSE，使多个数据所有者能够在不交换其私有数据的情况下协作训练和应用TSE模型。为了增强所提出的FedTSE在真实数据有限常见TSE场景中的适用性，我们进一步提出了一种隐私保护的物理信息联邦学习方法，即FedTSE-PI，它将交通模型集成到FL中。真实数据验证表明，所提出的方法可以在保护隐私的同时，产生与不考虑隐私的基准方法相似的精度。
引用
@article{arxiv.2401.11836,
title = {Privacy-Preserving Data Fusion for Traffic State Estimation: A Vertical Federated Learning Approach},
author = {Qiqing Wang and Kaidi Yang},
journal= {arXiv preprint arXiv:2401.11836},
year = {2024}
}