[论文解读] Federated Learning in Smart Cities: A Comprehensive Survey.

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

Privacy-Preserving Technologies in Data被引用 5

一句话总结

本文全面综述了智能城市中联邦学习（FL）的应用，突出其在物联网、交通、医疗和金融等领域的隐私保护型人工智能中的作用。通过回顾关键的FL技术、架构及最新进展，本研究识别出关键挑战，并为城市环境中可扩展、安全且高效的FL部署指明未来研究方向。

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

• 考察联邦学习（FL）的当前状态及其在智能城市基础设施中的集成情况。
• 识别并分析支持联邦学习在城市环境中实现数据隐私保护且维持模型性能的关键技术。
• 研究联邦学习在智能城市中交通、医疗、金融和通信等领域的实际部署情况。
• 回顾针对城市规模数据处理而定制的联邦学习算法、系统设计及安全机制的最新进展。
• 概述在智能城市生态系统中实现可扩展、高效且隐私保护型联邦学习的开放挑战与未来研究方向。

提出的方法

• 对智能城市领域（包括物联网、交通和医疗）中联邦学习应用的系统性文献综述。
• 对关键联邦学习技术（如水平联邦学习、垂直联邦学习和迁移联邦学习）进行分类与分析，重点关注其在城市数据环境中的适用性。
• 研究联邦学习系统的核心组件，包括客户端选择、模型聚合（例如FedAvg）以及通信效率优化技术。
• 回顾用于保护敏感城市数据的联邦学习安全与隐私机制，如差分隐私和安全聚合。
• 评估系统级挑战，如非独立同分布（non-IID）数据、设备异构性以及智能城市部署中的通信瓶颈。
• 将研究发现整合为关于联邦学习技术基础、应用领域及城市环境中部署考量的结构化概述。

实验结果

研究问题

• RQ1 联邦学习如何在智能城市应用中实现隐私保护型人工智能？
• RQ2 支持城市环境中联邦学习的关键技术组件与系统架构有哪些？
• RQ3 联邦学习已在哪些智能城市领域（如交通、医疗和金融）中成功应用？
• RQ4 在智能城市中大规模部署联邦学习的主要挑战是什么，包括数据异构性和通信效率问题？
• RQ5 为推进智能城市生态系统中的联邦学习，哪些未来研究方向至关重要？

主要发现

• 联邦学习通过在不集中原始数据的情况下实现模型训练，有效解决了智能城市中的数据隐私问题。
• 联邦学习在物联网和交通系统中的集成，使得利用去中心化数据源实现实时、隐私保护型决策成为可能。
• 关键技术如FedAvg和安全聚合显著提升了城市人工智能应用中的模型收敛速度与数据安全性。
• 尽管已取得进展，非独立同分布（non-IID）数据分布和设备异构性仍是阻碍联邦学习在智能城市中广泛部署的主要障碍。
• 未来研究必须聚焦于提升通信效率、增强对系统故障的鲁棒性，并实现跨异构城市基础设施的可扩展性。
• 联邦学习与边缘计算及区块链技术的结合，在提升智能城市系统中的信任度与性能方面展现出巨大潜力。