[論文レビュー] Federated Learning for Localization: A Privacy-Preserving Crowdsourcing Method

Bekir Sait Çiftler, Abdullatif Albaseer+2 more|arXiv (Cornell University)|Jan 7, 2020

Privacy-Preserving Technologies in Data被引用数 9

ひとこと要約

本稿では、エッジデバイス上でモデルをローカルに学習し、データを共有するのはモデルの更新情報のみであるため、ユーザーのプライバシーを保護するフェデレーテッドラーニング（FL）ベースのクラウドソーシングフレームワークを、RSSフィンガープrintベースの屋内位置特定に提案する。この手法は、中央集権的学習と比較して1.8メートルの位置特定精度の向上を達成し、実環境設定でも5メートル未満の平均絶対誤差（MAE）を維持しており、中央集権的学習に近いプライバシー保護性能を示している。

ABSTRACT

Received Signal Strength (RSS) fingerprint-based localization has attracted a lot of research effort and cultivated many commercial applications of location-based services due to its low cost and ease of implementation. Many studies are exploring the use of deep learning (DL) algorithms for localization. DL's ability to extract features and to classify autonomously makes it an attractive solution for fingerprint-based localization. These solutions require frequent retraining of DL models with vast amounts of measurements. Although crowdsourcing is an excellent way to gather immense amounts of data, it jeopardizes the privacy of participants, as it requires to collect labeled data at a centralized server. Recently, federated learning has emerged as a practical concept in solving the privacy preservation issue of crowdsourcing participants by performing model training at the edge devices in a decentralized manner; the participants do not expose their data anymore to a centralized server. This paper presents a novel method utilizing federated learning to improve the accuracy of RSS fingerprint-based localization while preserving the privacy of the crowdsourcing participants. Employing federated learning allows ensuring \\emph{preserving the privacy of user data} while enabling an adequate localization performance with experimental data captured in real-world settings. The proposed method improved localization accuracy by 1.8 meters when used as a booster for centralized learning and achieved satisfactory localization accuracy when used standalone.

研究の動機と目的

• 中央集権的なデータ収集を排除することで、クラウドソーシングによるRSSフィンガープリントベースの屋内位置特定におけるプライバシー懸念を解決すること。
• ユーザーのデータをローカルデバイスに保持したまま、フェデレーテッドラーニングを用いて正確な位置特定を実現すること。
• データの非独立同分布（non-IID）な空間的分布とアンバランスなサンプルサイズといった、データの非均一性がFLのパフォーマンスに与える影響を評価すること。
• フェデレーテッドラーニングが、ユーザーのプライバシーを損なわず、中央集権的学習と同等の位置特定精度を達成できることを示すこと。
• UJIndoorLocデータセットを用いた実世界の実験データを用いて、提案手法の有効性を多様なシナリオで検証すること。

提案手法

• RSSフィンガープリント特徴量から位置を学習するためのグローバルモデルとして、マルチレイヤーパーセプトロン（MLP）を用いる。
• フェデレーテッドアベレージング（FedAvg）を用いて、生データを共有せずにエッジデバイス上で学習されたローカルモデルを統合する。
• 実世界のRSS測定値を含む390m × 270mの建物からなるUJIndoorLocデータセットを用い、TensorFlowとKerasを用いてFL学習をシミュレートする。
• データの非均一性の度合いが異なる3つのシナリオを設計し、性能を評価する：均等分布、非IIDsな空間的分布、アンバランスなサンプルサイズ。
• 学習プロセスは、ユーザー端末でのローカルモデル更新の後、定期的に中央サーバーでグローバルモデルを更新するという流れをとる。
• 性能評価には、テストデータにおける平均絶対誤差（MAE）を用い、同一のデータ条件下で中央集権的学習と比較する。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、プライバシー保護を確保しつつ、RSSフィンガープリントベースの屋内位置特定において高い精度を達成できるか？
• RQ2 特に非IIDsな空間的分布とアンバランスなサンプルサイズというデータの非均一性が、位置特定タスクにおけるフェデレーテッドラーニングの収束性と精度に与える影響はいかほどか？
• RQ3 同じデータセットで学習した場合、フェデレーテッドラーニングは中央集権的学習と比較して、どの程度位置特定精度を向上させられるか？
• RQ4 参加ユーザー数がフェデレーテッド環境における位置特定のMAEにどのように影響するか？
• RQ5 生データの共有が一切ない状況下でも、フェデレーテッドラーニングは中央集権的学習に近いパフォーマンスを維持できるか？

主な発見

• 提案されたフェデレーテッドラーニング手法は、中央集権的学習の補完として用いた場合、位置特定精度を1.8メートル向上させ、最良ケースではMAEを4.27メートルから2.47メートルに低下させた。
• 実世界の実験では、390m × 270mの屋内環境で4.98メートルの位置特定MAEを達成し、実用的実現可能性を示した。
• シナリオ2（現実的なデータ共有）では、フェデレーテッド学習と中央集権的学習の間のMAE差が常に1メートル未満に抑えられ、プライバシー保護を維持したまま高い性能パラティーを示した。
• 高いデータ非均一性を示すシナリオ3では、フェデレーテッドモデルのMAEは5.53メートルであったが、100ラウンドの学習を経て4.5メートル未満に低下し、課題にもかかわらず収束を示した。
• 参加ユーザー数の増加により性能が向上：1人の追加参加でMAEが0.65メートル低下し、15人の参加で1.8メートル低下した。これは、スケーラビリティの高さを示している。
• 非均一なシナリオにおいて、トレーニング精度は低かったものの、テスト精度が中央集権的学習を上回った。これは、FedAvgがデータの不均衡に対して高い耐性を示していることを示しており、ロバスト性が裏付けられた。