[논문 리뷰] Federated Learning in Smart Cities: A Comprehensive Survey.

Zhaohua Zheng, Yize Zhou외 4명|arXiv (Cornell University)|2021. 02. 02.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

이 논문은 스마트 시티에서 연합 학습(FL)에 대한 종합적인 조사를 제공하며, 사물인터넷(IoT), 교통, 헬스케어, 금융 등 다양한 분야에서 개인정보 보호 AI를 가능하게 하는 데서 그 역할을 강조한다. 주요 FL 기술, 아키텍처 및 최근 발전을 검토함으로써, 도시 환경에서의 확장성 있고 안전하며 효율적인 FL 구현을 위한 핵심 과제를 규명하고 향후 연구 방향을 제시한다.

ABSTRACT

Federated learning plays an important role in the process of smart cities. With the development of big data and artificial intelligence, there is a problem of data privacy protection in this process. Federated learning is capable of solving this problem. This paper starts with the current developments of federated learning and its applications in various fields. We conduct a comprehensive investigation. This paper summarize the latest research on the application of federated learning in various fields of smart cities. In-depth understanding of the current development of federated learning from the Internet of Things, transportation, communications, finance, medical and other fields. Before that, we introduce the background, definition and key technologies of federated learning. Further more, we review the key technologies and the latest results. Finally, we discuss the future applications and research directions of federated learning in smart cities.

연구 동기 및 목표

• 연합 학습(FL)의 현재 상태와 스마트 시티 인프라에의 통합을 검토하기 위해.
• 도시 응용 분야에서 데이터 프라이버시를 유지하면서 모델 성능을 유지를 가능하게 하는 핵심 FL 기술을 식별하고 분석하기 위해.
• 스마트 시티 내 교통, 헬스케어, 금융 및 통신 분야에서의 연합 학습 실용적 구현을 조사하기 위해.
• 도시 규모의 데이터 처리에 맞춰진 최신 FL 알고리즘, 시스템 설계 및 보안 메커니즘의 발전을 검토하기 위해.
• 스마트 시티 생태계에서 확장성 있고 효율적이며 개인정보 보호 기능을 갖춘 FL을 위한 개방된 과제와 향후 연구 방향을 제시하기 위해.

제안 방법

• 스마트 시티 도메인인 사물인터넷(IoT), 교통 및 헬스케어에 대한 연합 학습 응용에 대한 체계적인 문헌 검토를 수행한다.
• 수평적, 수직적 및 전이 학습 FL을 포함한 핵심 FL 기술을 분류하고 분석하며, 도시 데이터 환경에 대한 적합성을 중점적으로 다룬다.
• FL 시스템의 핵심 구성 요소인 클라이언트 선택, 모델 집계(FedAvg 등), 통신 효율성 기법을 검토한다.
• 비밀성 보장 기법과 안전한 집계를 포함한 보안 및 프라이버시 메커니즘을 검토하여 민감한 도시 데이터를 보호한다.
• 스마트 시티 구현에서의 시스템 수준 과제, 예를 들어 비독립 동일 분포(non-IID) 데이터, 기기 이질성, 통신 병목 현상 등을 평가한다.
• 발견된 결과를 도시 환경에서의 기술적 기초, 적용 분야 및 구현 고려사항으로 통합하여 체계적인 개요를 제시한다.

실험 결과

연구 질문

• RQ1 연합 학습은 스마트 시 ciudad 응용에서 어떻게 개인정보 보호 AI를 가능하게 하는가?
• RQ2 도시 환경에서 연합 학습을 뒷받침하는 핵심 기술 구성 요소와 시스템 아키텍처는 무엇인가?
• RQ3 교통, 헬스케어 및 금융과 같은 스마트 시티 도메인에서 연합 학습이 성공적으로 적용된 분야는 무엇인가?
• RQ4 데이터 이질성과 통신 효율성과 같은 과제들로 인해 스마트 시티에서 연합 학습을 대규모로 구현하는 데 있어 주요 장애 요소는 무엇인가?
• RQ5 스마트 시티 생태계에서 연합 학습을 발전시키기 위해 필수적인 향후 연구 방향은 무엇인가?

주요 결과

• 연합 학습은 원시 데이터를 중앙 집중화하지 않음으로써 스마트 시티에서 데이터 프라이버시 문제를 효과적으로 해결한다.
• IoT 및 교통 시스템에 연합 학습을 통합함으로써 탈중앙화된 데이터 원천을 활용한 실시간 개인정보 보호 의사결정이 가능해진다.
• FedAvg 및 안전한 집계와 같은 핵심 기술은 도시 AI 응용 분야에서 모델 수렴성과 데이터 보안을 크게 향상시킨다.
• 진전이 있었음에도 불구하고, 비독립 동일 분포(non-IID) 데이터 분포와 기기 이질성은 스마트 시티에서 광범위한 FL 구현을 위한 주요 장벽으로 남아 있다.
• 향후 연구는 통신 효율성 향상, 시스템 장애에 대한 강건성 향상, 이질적인 도시 인프라 전반의 확장성 향상에 초점을 맞춰야 한다.
• 연합 학습과 엣지 컴퓨팅, 블록체인의 조합은 스마트 시티 시스템에서 신뢰성과 성능 향상에 기여할 잠재력을 지닌다.