[논문 리뷰] Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach

Wei Yang Bryan Lim, Jianqiang Huang외 6명|arXiv (Cornell University)|2020. 04. 08.

Privacy-Preserving Technologies in Data참고 문헌 54인용 수 24

한 줄 요약

이 논문은 드론 기반 인터넷 오브 차 things(IoV) 환경에서 연합 학습을 위한 다차원 계약-매칭 프레임워크를 제안한다. 여기서 드론들은 계약 설계를 통해 자신의 능력을 정직하게 보고하도록 유인되며, Gale-Shapley 알고리즘은 하위영역에 가장 저비용 드론을 할당한다. 이 방법은 데이터 기밀성 제약 조건 하에 모델 소유자의 인cent브 호환성과 이윤 극대화를 보장한다.

ABSTRACT

Coupled with the rise of Deep Learning, the wealth of data and enhanced computation capabilities of Internet of Vehicles (IoV) components enable effective Artificial Intelligence (AI) based models to be built. Beyond ground data sources, Unmanned Aerial Vehicles (UAVs) based service providers for data collection and AI model training, i.e., Drones-as-a-Service, is increasingly popular in recent years. However, the stringent regulations governing data privacy potentially impedes data sharing across independently owned UAVs. To this end, we propose the adoption of a Federated Learning (FL) based approach to enable privacy-preserving collaborative Machine Learning across a federation of independent DaaS providers for the development of IoV applications, e.g., for traffic prediction and car park occupancy management. Given the information asymmetry and incentive mismatches between the UAVs and model owners, we leverage on the self-revealing properties of a multi-dimensional contract to ensure truthful reporting of the UAV types, while accounting for the multiple sources of heterogeneity, e.g., in sensing, computation, and transmission costs. Then, we adopt the Gale-Shapley algorithm to match the lowest cost UAV to each subregion. The simulation results validate the incentive compatibility of our contract design, and shows the efficiency of our matching, thus guaranteeing profit maximization for the model owner amid information asymmetry.

연구 동기 및 목표

• 드론-서비스로서의 드론(DaaS)을 위한 인터넷 오브 차 things(IoV) 응용 분야에서의 데이터 기밀성과 인센티브 불일치 문제를 해결하기 위해.
• 원시 데이터를 공유하지 않고도 독립된 드론 제공자 간에 협업형 연합 학습을 가능하게 하기 위해.
• 정보 비대칭 상황에서도 드론이 자신의 유형을 정직하게 보고하도록 보장하는 인센티브 메커니즘 설계를 위해.
• 마진비용 기반으로 우선순위를 정한 선호도 목록을 활용해, 안정적인 매칭 알고리즘을 통해 가장 낮은 마진비용 드론을 하위영역에 할당함으로써 드론-하위영역 할당을 최적화하기 위해.
• 드론의 에너지, 시간, 계산 제약 조건을 고려하면서도 모델 소유자의 이윤을 극대화하기 위해.

제안 방법

• 비대칭 정보 하에서 자기 드러냄 성질을 활용해, 다차원 계약을 설계하여 드론의 유형 보고를 정직하게 이끌어내는 데 목적이 있다.
• 계약은 드론 간 이질성의 여러 원천을 고려한다: 센서, 계산, 전송 비용.
• 마진비용 기반으로 노드 커버리지의 선호도 목록을 도출해, Gale-Shapley 알고리즘을 적용하여 드론을 하위영역에 할당한다.
• 각 하위영역은 증가하는 마진비용 순서로 가능한 드론을 순위 매기며, 가장 비용 효율적인 드론이 우선순위를 가진다.
• 연합 학습은 각 드론에서 로컬로 실행되며, 모델 소유자에게는 오직 모델 파라미터만 공유되어 글로벌 집계에 사용된다.
• 시뮬레이션 시나리오는 다양한 하위영역 및 드론 구성 조건 하에서 계약 및 매칭 메커니즘의 인센티브 호환성과 효율성을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 드론은 연합 학습 환경에서 자신의 사적인 능력을 정직하게 보고하도록 유인될 수 있는가?
• RQ2 드론 간 센서, 계산, 전송 능력의 이질성이 존재할 경우, 다차원 계약 설계는 어떻게 인센티브 호환성을 보장할 수 있는가?
• RQ3 에너지 및 시간 제약 조건을 고려하면서도 비용을 최소화하는 최적의 매칭 전략은 무엇인가?
• RQ4 다양한 크기의 하위영역과 드론 가용성 조건에서 시스템 성능은 어떻게 되는가?
• RQ5 드론 공급이 증가할 경우 매칭 결과와 모델 소유자의 수익성에 어떤 영향을 미치는가?

주요 결과

• 제안된 계약 설계는 인센티브 호환성을 달성하여, 계약의 자기 드러냄 성질 덕분에 드론이 자신의 유형을 정직하게 보고함을 보장한다.
• Gale-Shapley 매칭 알고리즘이 각 하위영역에 가장 낮은 마진비용 드론을 성공적으로 할당하여 모델 소유자의 이윤을 극대화한다.
• 하위영역 크기와 드론 유형이 동일한 조건에서는 항상 가장 낮은 마진비용 드론이 가장 선호도가 높은 하위영역에 할당된다.
• 하위영역의 데이터 볼륨과 센서 커버리지 영역이 다양할 경우에도, 마진비용 기반 선호도 순서가 유지된다면 매칭 결과는 일관되게 유지된다.
• 하위영역 수보다 더 많은 드론이 존재할 경우(J > N), 이전 최고 매칭(드론 1)은 더 비용 효율적인 드론(UAV 7)으로 대체되며, 이는 전체 시스템 효율성 향상을 이끈다.
• 비용이 가장 높은 드론(UAV 6)은 더 나은 비용 대비 성능을 가진 드론이 존재할 경우 할당에서 제외되며, 이는 매칭 과정의 비용 최적성 확인에 기여한다.