[논문 리뷰] Applications of Federated Learning in Smart Cities: Recent Advances, Taxonomy, and Open Challenges

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

Privacy-Preserving Technologies in Data참고 문헌 109인용 수 11

한 줄 요약

이 논문은 스마트 시티에서 피어드 학습(FL) 응용 분야에 대한 종합적인 리뷰를 제시하며, IoT, 교통, 금융, 헬스케어, 통신 분야에서 개인정보 보호 기반 분산 기계학습을 가능하게 하는 데서 FL의 역할을 강조한다. 원시 데이터를 공유하지 않고 로컬 모델 학습과 기울기의 안전한 집계를 가능하게 함으로써, FL은 데이터 프라이버시 및 네트워크 효율성 문제를 해결하며 스마트 시티 환경에서의 분류 체계, 최근 기술 발전 및 열린 연구 과제 분야에서 주요 기여를 한다.

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

• 다양한 도메인에서 스마트 시티 응용 분야의 현재 피어드 학습(FL) 상태를 분석하는 것.
• IoT, 교통, 금융, 헬스케어 및 통신 시스템에서의 핵심 FL 응용 분야를 식별하고 분류하는 것.
• FL 구현에서의 프라이버시 보호, 통신 효율성 및 보안과 같은 열린 과제를 다루는 것.
• 도시 인프라에 확장 가능하고 안전한 FL 통합을 위한 향후 연구 방향을 제안하는 것.

제안 방법

• 논문은 스마트 시티 응용 분야에서의 최근 FL 연구에 대한 체계적인 리뷰를 수행하며, 핵심 기술 및 구현 프레임워크에 중점을 둔다.
• 스마트 시티 도메인(예: IoT, 교통, 금융, 헬스케어, 통신)에 걸쳐 FL 응용의 분류 체계를 제안한다.
• 로컬 모델 학습, 기울기 집계, 글로벌 모델 업데이트와 같은 핵심 FL 메커니즘은 기초 예시로 FedAvg 알고리즘을 사용하여 설명된다.
• 대역폭을 줄이고 수렴성을 향상시키기 위해 통신 효율적인 FL 프레임워크인 CMFL, CA-DSGD 및 F-RANs를 평가한다.
• 모델 오염 및 데이터 泄露 공격을 완화하기 위해 차등 프라이버시 및 블록체인 기반 FL(예: BlockFL) 등의 보안 및 프라이버시 방어 기법을 분석한다.
• 알고리즘 효율성, 이종 시스템 및 다중 도메인 통합 분야의 격차를 기반으로 향후 연구 방향을 제안한다.

실험 결과

연구 질문

• RQ1 피어드 학습은 민감한 도시 데이터를 포함하는 스마트 시티 응용 분야에서 개인정보 보호 기반 기계학습을 어떻게 가능하게 하는가?
• RQ2 교통 및 헬스케어와 같은 다양한 스마트 시티 도메인에 FL을 구현할 때의 주요 기술적 과제와 성능 트레이드오프는 무엇인가?
• RQ3 CMFL 및 CA-DSGD와 같은 통신 효율적인 FL 프레임워크는 도시 IoT 환경에서 수렴성 향상과 네트워크 오버헤드 감소에 어떻게 기여하는가?
• RQ4 FL에서 여전히 존재하는 보안 및 프라이버시 위협은 무엇이며, 실생활 스마트 시티 구현에서 어떻게 완화할 수 있는가?
• RQ5 이종적이고 대규모이며 동적인 도시 시스템에 맞게 확장 가능한 FL을 위해 필요한 향후 연구 방향은 무엇인가?

주요 결과

• CMFL 프레임워크는 스마트 시티 네트워크에서 학습 수렴성과 예측 정확도를 유지하면서도 통신 오버헤드를 크게 감소시킨다.
• CA-DSGD 기법은 압축된 기울기를 아날로그 통신 방식으로 전송함으로써 수렴 속도를 빠르게 하고 정확도를 높여 기존 디지털 방법보다 뛰어난 성능을 발휘한다.
• FL과 통합된 F-RANs는 지능형 퍼그 라디오 액세스 네트워크를 가능하게 하여 모델 학습 비용을 감소시키고 무선 도시 환경에서의 데이터 오프로딩 효율성을 향상시킨다.
• BlockFL 아키텍처는 모델 업데이트의 안전한 교환과 검증을 가능하게 하여 탈중앙화된 FL 시스템에서 신뢰성과 합의 문제를 해결한다.
• 진전이 있었음에도 불구하고, 특히 스토케스틱 기울기 하강법 하에서 모델 오염 공격에 대비하고 프라이버시를 확보하는 데는 여전히 과제가 남아 있다.
• FL은 개인정보 위반 없이 병원 및 기관 간 데이터 통합에 강력한 잠재력을 보이며, 스마트 헬스케어 응용 분야에서 모델 정확도를 크게 향상시킨다.