[论文解读] Federated Learning for Localization: A Privacy-Preserving Crowdsourcing Method

Bekir Sait Çiftler, Abdullatif Albaseer+2 more|arXiv (Cornell University)|Jan 7, 2020

Privacy-Preserving Technologies in Data被引用 9

一句话总结

该论文提出了一种基于联邦学习（FL）的众包框架，用于基于接收信号强度（RSS）指纹的室内定位，通过在边缘设备上本地训练模型并仅共享模型更新来保护用户隐私。该方法在定位精度上相比集中式学习提升了1.8米，并在真实环境中保持了低于5米的平均绝对误差（MAE），展示了接近集中式训练的隐私保护性能。

ABSTRACT

Received Signal Strength (RSS) fingerprint-based localization has attracted a lot of research effort and cultivated many commercial applications of location-based services due to its low cost and ease of implementation. Many studies are exploring the use of deep learning (DL) algorithms for localization. DL's ability to extract features and to classify autonomously makes it an attractive solution for fingerprint-based localization. These solutions require frequent retraining of DL models with vast amounts of measurements. Although crowdsourcing is an excellent way to gather immense amounts of data, it jeopardizes the privacy of participants, as it requires to collect labeled data at a centralized server. Recently, federated learning has emerged as a practical concept in solving the privacy preservation issue of crowdsourcing participants by performing model training at the edge devices in a decentralized manner; the participants do not expose their data anymore to a centralized server. This paper presents a novel method utilizing federated learning to improve the accuracy of RSS fingerprint-based localization while preserving the privacy of the crowdsourcing participants. Employing federated learning allows ensuring \\emph{preserving the privacy of user data} while enabling an adequate localization performance with experimental data captured in real-world settings. The proposed method improved localization accuracy by 1.8 meters when used as a booster for centralized learning and achieved satisfactory localization accuracy when used standalone.

研究动机与目标

• 为解决众包RSS指纹-based室内定位中的隐私问题，通过消除集中式数据收集来实现。
• 在保持用户数据驻留在本地设备的前提下，利用联邦学习实现高精度定位。
• 评估数据异质性（特别是非独立同分布的空间分布和样本数量不平衡）对联邦学习在定位任务中性能的影响。
• 证明联邦学习可在不损害用户隐私的前提下，实现与集中式训练相当的定位精度。
• 使用来自UJIndoorLoc数据集的真实实验数据，在多种场景下验证所提方法的有效性。

提出的方法

• 采用多层感知机（MLP）作为全局模型，从RSS指纹特征中学习位置信息。
• 使用联邦平均（FedAvg）聚合在边缘设备上训练的本地模型，而无需共享原始数据。
• 系统使用TensorFlow和Keras在UJIndoorLoc数据集上模拟联邦学习训练，该数据集包含一栋390米×270米建筑中的真实RSS测量数据。
• 设计了三种场景以评估在不同程度数据异质性下的性能：均匀分布、非独立同分布的空间分布以及样本数量不平衡。
• 训练过程包括在用户设备上进行本地模型更新，随后定期在中央服务器聚合以更新全局模型。
• 性能通过测试数据上的平均绝对误差（MAE）进行评估，并与相同数据条件下集中式学习的结果进行比较。

实验结果

研究问题

• RQ1 联邦学习是否能在保护用户隐私的同时，实现基于RSS指纹的室内定位的高精度？
• RQ2 数据异质性（特别是非独立同分布的空间分布和样本数量不平衡）如何影响联邦学习在定位任务中的收敛性和精度？
• RQ3 在相同数据集上训练时，联邦学习相比集中式学习在多大程度上提升了定位精度？
• RQ4 参与用户的数量如何影响联邦设置下的定位MAE？
• RQ5 尽管未共享原始数据，联邦学习是否仍能保持接近集中式训练的性能？

主要发现

• 所提出的联邦学习方法作为集中式学习的增强器，将定位精度提升了1.8米，在最佳情况下将MAE从4.27米降低至2.47米。
• 在真实世界实验中，该方法在390米×270米的室内环境中实现了4.98米的定位MAE，证明了其实际可行性。
• 在场景2（真实数据共享）中，联邦学习与集中式学习之间的MAE差异始终低于1米，表明在保护隐私的同时实现了出色的性能一致性。
• 在场景3中，尽管数据异质性较高，联邦模型的MAE为5.53米，经过100轮训练后降低至4.5米以下，显示出在挑战下仍具收敛性。
• 增加更多用户可提升性能：增加一名用户使MAE降低0.65米，当15名用户参与时MAE降低1.8米，表明具有强大的可扩展性。
• 在异质性场景中，尽管训练精度较低，联邦模型的测试精度高于集中式学习，表明FedAvg对数据不平衡具有更强的鲁棒性，且有效减少了过拟合。