[论文解读] Applications of Federated Learning in Smart Cities: Recent Advances, Taxonomy, and Open Challenges

Zhaohua Zheng, Yize Zhou+4 more|arXiv (Cornell University)|Feb 2, 2021

Privacy-Preserving Technologies in Data参考文献 109被引用 11

一句话总结

本文全面回顾了联邦学习（FL）在智慧城市中的应用，强调其在物联网、交通、金融、医疗和通信等领域实现隐私保护、分布式机器学习的关键作用。通过在不共享原始数据的前提下实现本地模型训练和梯度的安全聚合，FL解决了数据隐私和网络效率的挑战，在智慧城市背景下，其主要贡献体现在分类体系、最新进展以及开放的研究挑战方面。

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.

研究动机与目标

• 分析联邦学习（FL）在智慧城市多领域应用中的当前状态。
• 识别并分类物联网、交通、金融、医疗和通信系统中关键的FL应用。
• 解决FL部署中的开放挑战，如隐私保护、通信效率和安全性。
• 提出未来研究方向，以实现可扩展且安全的联邦学习在城市基础设施中的集成。

提出的方法

• 本文对智慧城市应用中近期的联邦学习研究进行了系统性回顾，重点关注关键技术与实施框架。
• 提出了智慧城市各领域中FL应用的分类体系，涵盖物联网、交通、金融、医疗和通信。
• 以FedAvg算法作为基础示例，解释了核心FL机制，如本地模型训练、梯度聚合和全局模型更新。
• 评估了通信高效的FL框架（如CMFL、CA-DSGD和F-RANs），以减少带宽并提升收敛性能。
• 分析了安全与隐私防护机制，包括差分隐私和联邦学习中的区块链技术（BlockFL），以缓解投毒攻击和数据泄露风险。
• 基于在算法效率、异构系统和跨领域集成方面识别出的差距，提出了未来研究方向。

实验结果

研究问题

• RQ1 联邦学习如何在涉及敏感城市数据的智慧城市应用中实现隐私保护的机器学习？
• RQ2 在交通和医疗等多样化智慧城市领域部署FL时，面临哪些关键技术挑战与性能权衡？
• RQ3 通信高效的FL框架（如CMFL和CA-DSGD）如何在城市物联网环境中提升收敛速度并减少网络开销？
• RQ4 联邦学习中仍存在哪些安全与隐私威胁？在现实世界智慧城市部署中如何加以缓解？
• RQ5 为实现对异构、大规模且动态的城市系统可扩展的联邦学习，需要哪些未来研究方向？

主要发现

• CMFL框架在保持学习收敛性的同时显著降低了通信开销，并提升了智慧城市网络中的预测准确性。
• CA-DSGD方案通过使用模拟通信传输压缩梯度，实现了更快的收敛速度和更高的准确性，优于传统数字方法。
• 与FL集成的F-RANs能够实现智能雾无线电接入网络，在无线城市环境中降低模型训练成本并提升数据卸载效率。
• BlockFL架构支持模型更新的安全交换与验证，解决了去中心化FL系统中的信任与共识问题。
• 尽管已有进展，但在防御模型投毒攻击以及确保基于随机梯度下降的FL中隐私方面仍存在挑战。
• 联邦学习在不违反隐私的前提下，显著提升了跨医院和机构的数据整合能力，大幅提高了智慧城市医疗应用中的模型准确性。