[论文解读] FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing

Feng Yin, Zhidi Lin+6 more|arXiv (Cornell University)|Mar 8, 2020

Indoor and Outdoor Localization Technologies参考文献 118被引用 14

一句话总结

FedLoc 提出了一种联邦学习框架，用于实现隐私保护的、数据驱动的协作定位与定位数据处理，使移动用户能够在不共享原始位置数据的情况下协作训练高精度定位模型。通过利用深度神经网络和高斯过程的分布式训练，FedLoc 在定位和时空预测方面实现了接近集中式系统的性能，同时保护了用户隐私。

ABSTRACT

In this overview paper, data-driven learning model-based cooperative localization and location data processing are considered, in line with the emerging machine learning and big data methods. We first review (1) state-of-the-art algorithms in the context of federated learning, (2) two widely used learning models, namely the deep neural network model and the Gaussian process model, and (3) various distributed model hyper-parameter optimization schemes. Then, we demonstrate various practical use cases that are summarized from a mixture of standard, newly published, and unpublished works, which cover a broad range of location services, including collaborative static localization/fingerprinting, indoor target tracking, outdoor navigation using low-sampling GPS, and spatio-temporal wireless traffic data modeling and prediction. Experimental results show that near centralized data fitting- and prediction performance can be achieved by a set of collaborative mobile users running distributed algorithms. All the surveyed use cases fall under our newly proposed Federated Localization (FedLoc) framework, which targets on collaboratively building accurate location services without sacrificing user privacy, in particular, sensitive information related to their geographical trajectories. Future research directions are also discussed at the end of this paper.

研究动机与目标

• 解决在商场等复杂环境及城市区域中，使用数据驱动模型实现高精度定位的挑战。
• 在不损害用户隐私（尤其是敏感地理轨迹）的前提下，实现移动用户间的协作模型训练。
• 克服在去中心化、非独立同分布（non-i.i.i.d.）数据上训练大规模定位模型时的计算与通信瓶颈。
• 将联邦学习扩展至协作定位、目标跟踪和时空交通预测等新应用领域。
• 提供一个统一框架，整合分布式优化、隐私保护技术与真实世界定位服务部署的考量因素。

提出的方法

• 利用联邦学习，使用移动用户本地收集的数据训练全局模型，避免原始数据的传输。
• 采用深度神经网络（DNNs）和高斯过程（GPs）作为核心学习模型，以建模复杂的定位与时空模式。
• 应用分布式优化技术并结合超参数调优，以应对用户间数据非独立同分布及数据量不平衡的问题。
• 通过模型量化（如8位精度）和signSGD技术减少通信开销，最小化梯度传输量。
• 引入鲁棒的优化与估计技术，以降低恶意或不可靠用户贡献带来的风险。
• 利用规范参数化模型进行数据增强，以在本地数据稀缺时提升性能。

实验结果

研究问题

• RQ1 联邦学习能否在协作定位系统中实现接近集中式的定位精度，同时保护用户隐私？
• RQ2 像DNNs和GPs这样的分布式学习模型如何有效应用于现实世界的位置服务，如室内指纹识别和室外GPS追踪？
• RQ3 在联邦定位中，通信效率、数据异构性和模型收敛性的关键挑战是什么，如何解决？
• RQ4 联邦学习如何扩展以处理多模态数据，例如结合无线与视觉测量以提升定位鲁棒性？
• RQ5 社交图结构与基于图的模型在提升联邦定位中的参与度与性能方面发挥什么作用？

主要发现

• FedLoc 在多个应用场景中实现了接近集中式的性能，涵盖室内指纹识别、室外GPS追踪和无线流量预测。
• 将模型量化至8位精度并采用signSGD，可将通信负载减少多达32倍，且性能下降不明显。
• 鲁棒的分布式优化技术可在部分用户贡献错误或恶意更新时，仍保持模型精度。
• 利用规范参数化模型进行数据增强，可在本地数据有限或稀疏时提升模型泛化能力。
• 融合无线与视觉测量可提升定位精度与鲁棒性，尤其在具有挑战性的追踪场景中表现更优。
• 该框架具备可扩展性与实用性，得益于5G、边缘AI芯片和高精度地图的发展，支持真实世界部署。