[論文レビュー] FedVision: An Online Visual Object Detection Platform Powered by Federated Learning

Yang Liu, Anbu Huang+8 more|arXiv (Cornell University)|Jan 17, 2020

Privacy-Preserving Technologies in Data参考文献 20被引用数 29

ひとこと要約

FedVision は、プライバシー規制により生データを共有できない状況下でも、ローカルに保存された動画データ上で正確なオブジェクト検出モデルをトレーニングできるエンドツーエンドのフェデレーテッドラーニング（FL）プラットフォームです。YOLOv3 をベースにしたアーキテクチャとフェデレーテッドアベレージングを活用することで、4か月間にわたり3つの企業顧客において顕著な効率化とコスト削減を実現し、コンピュータビジョン分野における FL の初の産業応用となりました。

ABSTRACT

Visual object detection is a computer vision-based artificial intelligence (AI) technique which has many practical applications (e.g., fire hazard monitoring). However, due to privacy concerns and the high cost of transmitting video data, it is highly challenging to build object detection models on centrally stored large training datasets following the current approach. Federated learning (FL) is a promising approach to resolve this challenge. Nevertheless, there currently lacks an easy to use tool to enable computer vision application developers who are not experts in federated learning to conveniently leverage this technology and apply it in their systems. In this paper, we report FedVision - a machine learning engineering platform to support the development of federated learning powered computer vision applications. The platform has been deployed through a collaboration between WeBank and Extreme Vision to help customers develop computer vision-based safety monitoring solutions in smart city applications. Over four months of usage, it has achieved significant efficiency improvement and cost reduction while removing the need to transmit sensitive data for three major corporate customers. To the best of our knowledge, this is the first real application of FL in computer vision-based tasks.

研究の動機と目的

• プライバシー規制のため、生の動画データを共有できない状況下で正確な視覚的オブジェクト検出モデルをトレーニングする課題に対処すること。
• 中央集権的トレーニングの限界、すなわち通信コストの高騰、データ漏洩のリスク、モデル更新の遅延を克服すること。
• フェデレーテッドラーニングの専門知識がなくても、FL ベースのコンピュータビジョン応用をデプロイおよび管理できるユーザーフレンドリーなプラットフォームを開発すること。
• 組織間のデータ移転を必要とせずに、オンラインでのフェデレーテッドトレーニングにより、継続的かつリアルタイムにモデルを改善できる仕組みを提供すること。
• 特にスマートシティの安全監視分野において、実世界の産業応用におけるフェデレーテッドラーニングの実現可能性と利点を示すこと。

提案手法

• 課題とユーザーロールに基づくモジュラーかつ分離可能なアーキテクチャを設計し、関心の分離とスケーラブルなメンテナンスを支援する。
• YOLOv3 をベースにした独自のフェデレーテッドビジュアルオブジェクト検出フレームワークを実装し、ローカルでのモデルトレーニングとパラメータ集約を FL に適合させた。
• 中央サーバーが生データにアクセスせずにクライアントの更新を統合できるように、フェデレーテッドアベレージング（FedAvg）をコアとなるモデル集約アルゴリズムとして採用した。
• FL の複雑さを抽象化した簡素化されたユーザーインターフェースを提供し、FL 専門知識がなくても、アノテート済みのローカルデータセットを使ってトレーニングを開始できるようにした。
• データプライバシーとシステム整合性を確保するため、セキュアな通信とアクセス制御メカニズムを統合した。
• 非同期更新とダッシュボードを介したリアルタイム監視を可能にし、複数クライアント間でエンドツーエンドの共同トレーニングを実現した。

実験結果

リサーチクエスチョン

• RQ1 プライバシーに配慮したデータを扱う実世界の産業環境において、フェデレーテッドラーニングを視覚的オブジェクト検出に効果的に適用できるか？
• RQ2 コンピュータビジョンおよびフェデレーテッドラーニングの非専門家開発者にとっても使いやすいフェデレーテッドラーニングプラットフォームをどのように設計できるか？
• RQ3 安全監視応用において、従来の中央集権的トレーニングと比較して、フェデレーテッドラーニングが実現できるパフォーマンスおよび効率改善は何か？
• RQ4 継続的なデータ蓄積とモデル更新が続く中で、プラットフォームはどのようにしてモデルの精度とシステムの安定性を維持できるか？
• RQ5 複数組織が関与するリアルタイムのコンピュータビジョンシステムにおいて、フェデレーテッドラーニングを導入する際の実際の課題と利点は何か？

主な発見

• FedVision は、3つの大規模企業顧客が、機密性の高い動画データを送信せずにスマートシティの安全監視ソリューションを開発することに成功した。
• 4か月間の導入期間を通じて、顧客の運用効率が顕著に向上し、コストが削減された一方で、データプライバシー規制にも完全に準拠した。
• ローカルデータセットを用いたフェデレーテッドトレーニングにより、モデル収束が効果的に達成された。これは、データ共有なしに高精度なオブジェクト検出が可能であることを示している。
• 2019年5月の導入以降、AI のメンテナンス作業が一切不要であったため、プラットフォームアーキテクチャの高い安定性とモularity が裏付けられた。
• プラットフォームのモジュラー設計により、タスク、アクセス権、パラメータの更新が、AI エンジンやモデルトレーニングプロセスに影響を与えずに可能となった。
• 著者らの知る限り、これはコンピュータビジョンベースのタスクにおけるフェデレーテッドラーニングの初の産業応用であり、安全で重要な分野におけるプライバシー保護型 AI の先駆的意義を持つ。