面向移动感知数据的基于区域的联邦学习
机器学习
2023-03-28 v1 人工智能
分布式、并行与集群计算
摘要
移动应用,如移动健康(mHealth)和 wellness 应用,可从利用智能手机或可穿戴设备采集的移动感知数据训练得到的深度学习(DL)模型中获益。然而,目前尚无同时实现良好模型精度、适应用户移动行为、随用户数量增加良好扩展并保护用户数据隐私的移动感知 DL 系统。我们提出基于区域的联邦学习(ZoneFL)以满足这些需求。ZoneFL 将物理空间划分为映射到移动-边缘-云系统架构的地理区域,以获得良好的模型精度和扩展性。每个区域拥有一个联邦训练模型,称为区域模型,其良好适应该区域内用户的数据和行为。得益于 FL 设计,用户数据隐私在 ZoneFL 训练期间受到保护。我们提出两种新颖的基于区域的联邦训练算法来优化区域模型以适应用户移动行为:区域合并与分裂(ZMS)和区域梯度扩散(ZGD)。ZMS 通过合并相邻区域或将大区域拆分为更小区域来适配区域地理划分,从而优化区域模型。不同于 ZMS,ZGD 维持固定区域,并通过融入从邻域数据导出的梯度来优化区域模型。ZGD 使用自注意力机制动态控制一个区域对其邻居的影响。大量分析与实验结果表明,ZoneFL 在两个用于心率预测和人类活动识别的模型中显著优于传统 FL。此外,我们使用 Android 手机和 AWS 云开发了 ZoneFL 系统。该系统在一项有 63 名用户参与、历时 4 个月的心率预测实地研究中得到使用,我们证明了 ZoneFL 在现实生活中的可行性。
引用
@article{arxiv.2303.06246,
title = {Zone-based Federated Learning for Mobile Sensing Data},
author = {Xiaopeng Jiang and Thinh On and NhatHai Phan and Hessamaldin Mohammadi and Vijaya Datta Mayyuri and An Chen and Ruoming Jin and Cristian Borcea},
journal= {arXiv preprint arXiv:2303.06246},
year = {2023}
}