[论文解读] Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach

Wei Yang Bryan Lim, Jianqiang Huang+6 more|arXiv (Cornell University)|Apr 8, 2020

Privacy-Preserving Technologies in Data参考文献 54被引用 24

一句话总结

本文提出了一种用于无人机（UAV）支持的车联网（IoV）中联邦学习的多维契约匹配框架，其中通过契约设计激励无人机真实报告其能力，Gale-Shapley算法将边际成本最低的无人机分配给子区域。该方法在数据隐私约束下确保了激励相容性与模型所有者的利润最大化。

ABSTRACT

Coupled with the rise of Deep Learning, the wealth of data and enhanced computation capabilities of Internet of Vehicles (IoV) components enable effective Artificial Intelligence (AI) based models to be built. Beyond ground data sources, Unmanned Aerial Vehicles (UAVs) based service providers for data collection and AI model training, i.e., Drones-as-a-Service, is increasingly popular in recent years. However, the stringent regulations governing data privacy potentially impedes data sharing across independently owned UAVs. To this end, we propose the adoption of a Federated Learning (FL) based approach to enable privacy-preserving collaborative Machine Learning across a federation of independent DaaS providers for the development of IoV applications, e.g., for traffic prediction and car park occupancy management. Given the information asymmetry and incentive mismatches between the UAVs and model owners, we leverage on the self-revealing properties of a multi-dimensional contract to ensure truthful reporting of the UAV types, while accounting for the multiple sources of heterogeneity, e.g., in sensing, computation, and transmission costs. Then, we adopt the Gale-Shapley algorithm to match the lowest cost UAV to each subregion. The simulation results validate the incentive compatibility of our contract design, and shows the efficiency of our matching, thus guaranteeing profit maximization for the model owner amid information asymmetry.

研究动机与目标

• 解决车联网（IoV）应用中无人机即服务（DaaS）的数据隐私与激励错配问题。
• 在不共享原始数据的前提下，实现独立无人机提供商之间的协作联邦学习。
• 设计一种激励机制，确保在信息不对称情况下无人机真实报告其类型。
• 通过稳定匹配算法，将边际成本最低的无人机与子区域匹配，实现无人机-子区域分配的优化。
• 在尊重无人机能量、时间和计算约束的前提下，最大化模型所有者的利润。

提出的方法

• 设计多维契约，利用在信息不对称下具备自揭示特性的机制，以获取无人机类型的诚实报告。
• 契约考虑了无人机之间在感知、计算和传输成本等多方面的异质性。
• 应用Gale-Shapley算法，基于节点覆盖的边际成本所生成的偏好列表，将无人机与子区域进行匹配。
• 每个子区域根据边际成本递增的顺序对可行无人机进行排序，确保最具成本效益的无人机优先匹配。
• 联邦学习在每架无人机上本地执行，仅将模型参数共享给模型所有者以进行全局聚合。
• 仿真场景验证了在不同子区域和无人机配置下，契约与匹配机制的激励相容性与效率。

实验结果

研究问题

• RQ1 在车联网的联邦学习设置中，如何激励无人机真实报告其私有能力？
• RQ2 当无人机在感知、计算和传输能力上存在差异时，多维契约设计如何确保激励相容性？
• RQ3 何种匹配策略能最优地将无人机分配给子区域，以在满足能量和时间约束的前提下最小化成本？
• RQ4 在子区域大小和无人机可用性异质的情况下，系统性能如何？
• RQ5 随着无人机供应量的增加，匹配结果与模型所有者盈利能力将受到何种影响？

主要发现

• 所提出的契约设计实现了激励相容性，由于契约的自揭示特性，无人机能够真实报告其类型。
• Gale-Shapley匹配算法成功地将边际成本最低的无人机分配给每个子区域，从而最大化模型所有者的利润。
• 在子区域大小和无人机类型相等的场景中，边际成本最低的无人机始终被匹配到最优先的子区域。
• 当子区域数据量和感知区域变化时，只要基于边际成本的偏好排序保持不变，匹配结果仍保持一致。
• 当无人机数量多于子区域数量（J > N）时，最具成本效益的无人机（UAV 7）取代了先前的最佳匹配（UAV 1），提升了整体系统效率。
• 当存在更具成本效益的无人机时，最高成本类型的无人机（UAV 6）被排除在分配之外，证实了匹配过程的成本最优性。