隐私保护交通流预测：一种联邦学习方法
机器学习
2020-05-04 v1 密码学与安全
机器学习
摘要
基于深度学习模型的现有交通流预测方法依靠政府和组织收集的大量数据集取得了优异的成功。然而，这些数据集可能包含大量用户隐私数据，近年来随着用户隐私引起公众关注，这对当前的预测方法提出了挑战。因此，如何在保护隐私的同时实现准确的交通预测是一个亟待解决的重要问题，且这两个目标之间存在权衡。为应对这一挑战，我们引入了一种称为联邦学习的隐私保护机器学习技术，并提出了一种基于联邦学习的门控循环单元神经网络算法（FedGRU）用于交通流预测。FedGRU 不同于当前的集中式学习方法，它通过安全的参数聚合机制更新通用学习模型，而非在组织间直接共享原始数据。在安全参数聚合机制中，我们采用联邦平均（Federated Averaging）算法来减少模型参数传输过程中的通信开销。此外，我们设计了联合通告协议以提高 FedGRU 的可扩展性。我们还提出了一种基于集成聚类的方案，在应用 FedGRU 算法之前将组织分组为簇来进行交通流预测。通过在真实世界数据集上的大量案例研究，表明 FedGRU 的预测精度比先进的深度学习模型高 90.96%，这证实了 FedGRU 能够在不损害原始数据隐私和安全的情况下实现准确及时的交通预测。
引用
@article{arxiv.2003.08725,
title = {Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach},
author = {Yi Liu and James J. Q. Yu and Jiawen Kang and Dusit Niyato and Shuyu Zhang},
journal= {arXiv preprint arXiv:2003.08725},
year = {2020}
}
备注
This paper is in the second round of under review of the IEEE Internet of Things Journal