Survey of Federated Learning Models for Spatial-Temporal Mobility Applications

要約

タイトル：空間時間移動アプリケーションのためのフェデレーテッドラーニングモデルの調査

要約：
– Federated Learning（FL）とは、モバイル電話などのエッジデバイスで統計モデルをトレーニングすることで、トレーニングデータをローカルに保持することを含む。
– FLは、非均質で潜在的に大量の参加者に依存する空間時間モデルのトレーニングに最適であり、高度に感度が高い位置データのプライバシーを保持することができる。
– ただし、既存の空間時間モデルを分散学習に移行するには、独自の課題がある。
– この調査論文では、人間の移動予測、交通予測、コミュニティ検出、位置ベースの推奨システムなどの空間時間タスクを予測するFLベースのモデルを提案した既存の文献をレビューする。
– これらの作品が使用しているメトリックとデータセットを説明し、集中設定と比較してこれらのアプローチの基線を作成する。
– 最後に、分散型環境で空間時間モデルを適用する課題を議論し、文献のギャップを強調することで、研究コミュニティに対するロードマップと可能性を提供する。

要約(オリジナル)

Federated learning involves training statistical models over edge devices such as mobile phones such that the training data is kept local. Federated Learning (FL) can serve as an ideal candidate for training spatial temporal models that rely on heterogeneous and potentially massive numbers of participants while preserving the privacy of highly sensitive location data. However, there are unique challenges involved with transitioning existing spatial temporal models to decentralized learning. In this survey paper, we review the existing literature that has proposed FL-based models for predicting human mobility, traffic prediction, community detection, location-based recommendation systems, and other spatial-temporal tasks. We describe the metrics and datasets these works have been using and create a baseline of these approaches in comparison to the centralized settings. Finally, we discuss the challenges of applying spatial-temporal models in a decentralized setting and by highlighting the gaps in the literature we provide a road map and opportunities for the research community.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI