[논문 리뷰] Federated Learning for Localization: A Privacy-Preserving Crowdsourcing Method

Bekir Sait Çiftler, Abdullatif Albaseer외 2명|arXiv (Cornell University)|2020. 01. 07.

Privacy-Preserving Technologies in Data인용 수 9

한 줄 요약

이 논문은 엣지 디바이스에서 로컬로 모델을 훈련하고 오직 모델 업데이트만 공유함으로써 사용자 프라이버시를 보존하는 RSS 피처 기반 실내 위치 기반 컨소시엄 학습 프레임워크를 제안한다. 이 방법은 중심 집중 학습 대비 1.8미터의 정밀도 향상을 달성했으며, 실제 환경에서 평균 절대 오차(MAE)가 5미터 이하를 유지하여 프라이버시 보호 성능이 중심 집중 학습에 근접함을 입증한다.

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.

연구 동기 및 목표

• 중앙 집중적 데이터 수집을 제거함으로써 컨소시엄 RSS 피처 기반 실내 위치 기반 학습에서의 프라이버시 우려를 해결하기 위해.
• 사용자 데이터를 로컬 디바이스에 유지하면서 연합 학습을 통해 정확한 위치 기반을 가능하게 하기 위해.
• 데이터 이질성—특히 비독립 동일 분포(non-IID) 공간 분포와 균형 잡히지 않은 샘플 크기—이 연합 학습 성능에 미치는 영향을 평가하기 위해.
• 사용자 프라이버시를 훼손하지 않으면서도 중심 집중 학습과 비교해 유사한 위치 기반 정확도를 달성할 수 있음을 입증하기 위해.
• 다양한 시나리오에서 UJIndoorLoc 데이터셋을 활용한 실제 실험 데이터를 바탕으로 제안된 방법을 검증하기 위해.

제안 방법

• RSS 피처 특징에서 위치를 학습하기 위해 글로벌 모델로 다층퍼셉트론(MLP)을 사용한다.
• 원시 데이터를 공유하지 않고도 로컬 모델을 집계하기 위해 연합 평균화(FedAvg)를 적용한다.
• 실제 실내 RSS 측정치를 포함한 390m × 270m 규모의 건물에서의 UJIndoorLoc 데이터셋을 사용해 텐서플로우와 케라스를 활용해 연합 학습 훈련을 시뮬레이션한다.
• 데이터 이질성의 정도에 따라 성능을 평가하기 위해 세 가지 시나리오를 설계: 균일 분포, 비독립 동일 분포 공간 분포, 균형 잡히지 않은 샘플 크기.
• 훈련 과정은 사용자 디바이스에서 로컬 모델 업데이트를 수행한 후 주기적으로 중앙 서버에서 글로벌 모델을 업데이트하는 방식이다.
• 성능 평가에는 동일한 데이터 조건에서 중심 집중 학습과 비교하기 위해 테스트 데이터에 대한 평균 절대 오차(MAE)를 사용한다.

실험 결과

연구 질문

• RQ1 연합 학습은 사용자 프라이버시를 보존하면서도 RSS 피처 기반 실내 위치 기반 학습에서 높은 정밀도를 달성할 수 있는가?
• RQ2 특히 비독립 동일 분포 공간 분포와 균형 잡히지 않은 샘플 크기 등 데이터 이질성이 연합 학습의 수렴성과 정확도에 어떤 영향을 미치는가?
• RQ3 동일한 데이터셋에서 훈련된 경우, 연합 학습은 중심 집중 학습 대비 얼마나 정밀도 향상을 이룰 수 있는가?
• RQ4 참여하는 사용자 수가 연합 환경에서 위치 기반 MAE에 어떤 영향을 미치는가?
• RQ5 원시 데이터 공유 없이도 연합 학습은 중심 집중 학습 수준의 성능을 유지할 수 있는가?

주요 결과

• 제안된 연합 학습 방법은 중심 집중 학습을 부스터로 사용할 경우 최상의 경우 평균 절대 오차(MAE)를 4.27m에서 2.47m로 감소시켜 정밀도를 1.8미터 향상시켰다.
• 실제 환경 실험에서 이 방법은 390m × 270m 규모의 실내 환경에서 위치 기반 MAE가 4.98미터를 기록하여 실용적 타당성을 입증했다.
• 시나리오-2(실제 데이터 공유)에서는 연합 학습과 중심 집중 학습 간 MAE의 차이가 항상 1미터 이하로 유지되어 프라이버시 보호를 동시에 달성한 강력한 성능 유사성(성능 동등성)을 보였다.
• 높은 데이터 이질성이 있는 시나리오-3에서는 연합 모델이 MAE 5.53미터를 기록했지만, 100회 훈련 라운드 이후에는 4.5미터 이하로 감소하여 도전 과제에도 불구하고 수렴함을 보였다.
• 사용자 수를 늘일수록 성능 향상이 뚜렷했다: 단일 사용자 추가 시 MAE가 0.65미터 감소했고, 15명의 사용자가 참여할 경우 1.8미터 감소하여 뛰어난 확장성 확보됨.
• 비균형 데이터에 대한 저항력이 뛰어난 FedAvg의 특성 덕분에 이질적 시나리오에서 훈련 정확도는 낮지만 테스트 정확도가 중심 집중 학습보다 높아, 데이터 불균형에 대한 강건성을 입증했다.