[论文解读] Collaborative City Digital Twin For Covid-19 Pandemic: A Federated Learning Solution

Junjie Pang, Jianbo Li+3 more|arXiv (Cornell University)|Nov 5, 2020

Privacy-Preserving Technologies in Data参考文献 16被引用 9

一句话总结

本文提出了一种基于联邦学习的协作城市数字孪生框架，通过允许多个城市在不共享原始数据的前提下联合训练全局预测模型，从而提升新冠疫情响应规划的预测准确性，同时保护本地数据隐私。该方法利用联邦平均（FedAvg）聚合各城市数字孪生的本地模型更新，显著提升了在不同应对方案下对感染趋势的预测精度。

ABSTRACT

In this work, we propose a collaborative city digital twin based on FL, a novel paradigm that allowing multiple city DT to share the local strategy and status in a timely manner. In particular, an FL central server manages the local updates of multiple collaborators (city DT), provides a global model which is trained in multiple iterations at different city DT systems, until the model gains the correlations between various response plan and infection trend. That means, a collaborative city DT paradigm based on FL techniques can obtain knowledge and patterns from multiple DTs, and eventually establish a `global view' for city crisis management. Meanwhile, it also helps to improve each city digital twin selves by consolidating other DT's respective data without violating privacy rules. To validate the proposed solution, we take COVID-19 pandemic as a case study. The experimental results on the real dataset with various response plan validate our proposed solution and demonstrate the superior performance.

研究动机与目标

• 解决在新冠疫情等紧急危机期间，城市级疫情响应规划中面临的数据稀疏性和隐私挑战。
• 实现在不暴露敏感本地数据的前提下，多个城市数字孪生之间的协作学习。
• 开发一种可扩展的、保护隐私的框架，通过联邦学习提升感染趋势预测建模的准确性。
• 利用美国各州层面的真实流行病学与政策数据集，验证所提框架的有效性。

提出的方法

• 该框架采用Seq2Seq深度学习架构，包含三层GRU编码器和三层GRU解码器，用于建模感染数据的时间动态特性。
• 使用联邦平均（FedAvg）作为聚合算法，将多个城市数字孪生的本地模型更新整合为全局模型。
• 每个城市数字孪生在其本地数据集上独立训练，使用响应操作（如居家令、口罩强制令）的一独热编码表示。
• 应用7天窗口的移动平均滤波器对流行病数据进行平滑处理，以降低波动性，增强时间模式识别能力。
• 使用PySyft框架实现联邦学习协议，通过安全的模型聚合保障隐私。
• 模型性能通过均方误差（MSE）进行评估，训练在PyTorch平台上进行。

实验结果

研究问题

• RQ1 与孤立的城市模型相比，基于联邦学习的协作城市数字孪生框架是否能提升对新冠疫情感染趋势的预测准确性？
• RQ2 参与的数字孪生城市数量如何影响全局联邦模型的性能？
• RQ3 联邦学习在保护数据隐私的前提下，能在多大程度上缓解城市疫情响应建模中的数据稀疏问题？
• RQ4 所提出的框架在多大程度上能有效捕捉不同响应措施（如旅行限制、口罩政策）对感染趋势的影响？

主要发现

• 在22个美国州的实验中，基于联邦学习的城市数字孪生模型相比非联邦模型，预测损失显著更低，证明其在预测感染趋势方面具有更优性能。
• 随着参与协作的城市数字孪生数量增加，各城市模型的预测误差持续降低，表明协作学习可有效提升泛化能力。
• 即使在本地数据有限的情况下，联邦学习训练的模型仍保持高精度，有效缓解了疫情早期阶段的数据稀疏问题。
• 采用移动平均滤波显著增强了时间模式的检测能力，提升了模型对数据波动的鲁棒性。
• 图7中的钢蓝色基准曲线显示，单个城市模型在增加合作者后保持不变，而深橙色的联邦曲线则持续表现出性能提升，证实了协作的价值。
• 实验结果验证了所提框架可在不发生数据泄露的前提下实现在城市间的知识共享，适用于对隐私敏感的城市危机管理。