[論文レビュー] Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach

Wei Yang Bryan Lim, Jianqiang Huang+6 more|arXiv (Cornell University)|Apr 8, 2020

Privacy-Preserving Technologies in Data参考文献 54被引用数 24

ひとこと要約

本稿は、UAVが支援するIoVにおけるフェデレーテッドラーニングのための多次元的コントラクトマッチングフレームワークを提案する。UAVはコントラクト設計により、自らの能力を真実に報告するインセンティブを得る。Gale-Shapleyアルゴリズムにより、各サブリージョンに最低コストのUAVが割り当てられる。この手法は、データプライバシー制約下でもインcentive-compatibleであり、モデル所有者の利益最大化を実現する。

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.

研究の動機と目的

• UAVとしてのサービス（DaaS）におけるデータプライバシーやインセンティブの不一致を解決すること。
• 原始データを共有せずに、独立したUAVプロバイダー間で協調的フェデレーテッドラーニングを可能にすること。
• 情報非対称性がある中でも、UAVが自らのタイプを真実に報告するインセンティブメカニズムを設計すること。
• マージナルコストに基づく優先順位リストを用いて、Gale-Shapleyアルゴリズムにより最低コストのUAVをサブリージョンにマッチングすること。
• UAVのエネルギー、時間、計算制約を尊重しつつ、モデル所有者の利益を最大化すること。

提案手法

• 非対称情報下で自己開示特性を活用することで、UAVのタイプを真実に報告させる多次元的コントラクトを設計する。
• UAV間の多様性要因（センシング、計算、送信コスト）を考慮したコントラクトを策定する。
• 各ノードカバレッジのマージナルコストに基づく好みのリストから得られる優先順位に基づき、Gale-Shapleyアルゴリズムを用いてUAVとサブリージョンをマッチングする。
• 各サブリージョンは、マージナルコストが低い順に可能なUAVを順位付けし、最も費用効果の良いUAVを優先する。
• フェデレーテッドラーニングは各UAVでローカルに実行され、モデル所有者に送信されるのはモデルパラメータのみであり、グローバルな集約が行われる。
• シミュレーションシナリオにより、異なるサブリージョンおよびUAVの設定下で、コントラクトおよびマッチングメカニズムのインcentive-compatible性と効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 IoV用のフェデレーテッドラーニング環境において、UAVが自らのプライベートな能力を真実に報告するインセンティブをどのように与えることができるか？
• RQ2 UAVがセンシング、計算、送信能力において異なる場合、多次元的コントラクト設計がインcentive-compatibleを保証する方法は何か？
• RQ3 エネルギーおよび時間制約を尊重しつつ、コストを最小化する最適なマッチング戦略は何か？
• RQ4 サブリージョンのサイズやUAVの可用性が不均一な場合、システムのパフォーマンスはどのようになるか？
• RQ5 UAV供給量の増加がマッチング結果およびモデル所有者の利益に与える影響は何か？

主な発見

• 提案されたコントラクト設計により、インcentive-compatibleが達成され、コントラクトの自己開示特性のおかげでUAVは自らのタイプを真実に報告する。
• Gale-Shapleyマッチングアルゴリズムにより、各サブリージョンにマージナルコストが最小のUAVが成功裏に割り当てられ、モデル所有者の利益が最大化された。
• サブリージョンのサイズとUAVタイプが等しい状況では、マージナルコストが最小のUAVが常に最も好まれるサブリージョンにマッチングされる。
• サブリージョンのデータ量やセンシング範囲が変動する場合でも、マージナルコストに基づく好みの順序が保持されていれば、マッチング結果は一貫性を保つ。
• UAV数がサブリージョン数を上回る状況（J > N）では、最も費用効果の良いUAV（UAV 7）が、以前の最良マッチ（UAV 1）に置き換わり、全体のシステム効率が向上する。
• UAV 6（最も高コストのタイプ）は、より良いコストのUAVが利用可能な場合、割り当てから除外される。これは、マッチングプロセスのコスト最適性を裏付ける。