Fed-LDR: Federated Local Data-infused Graph Creation with Node-centric Model Refinement

要約

世界的な都市化の急速な加速により、都市インフラとサービスの強化において新たな課題が生じています。
空間的次元と時間的次元を統合する時空間データは、都市現象を理解し、持続可能性を促進するための重要なツールとして浮上しています。
この文脈において、Federated Learning (FL) は、都市の IoT 環境のプライバシー要件に合わせた分散学習パラダイムとして注目を集めています。
ただし、従来の深層学習モデルを FL フレームワークに統合することは、特に複雑な時空間依存関係を把握し、多様な都市条件に適応する際に、重大な課題を引き起こします。
これらの課題に対処するために、ノード中心のモデル改良 (Fed-LDR) アルゴリズムを使用したフェデレーテッド ローカル データ注入グラフ作成を提案します。
Fed-LDR は FL およびグラフ畳み込みネットワーク (GCN) を活用して、都市環境における時空間データ分析を強化します。
このアルゴリズムは 2 つの主要なモジュールで構成されます: (1) 都市環境内で進化する空間関係を反映するために隣接行列を動的に再構成するローカル データ注入グラフ作成 (LDIGC) モジュール、および (2) ノード中心モデル改良 (NoMoR) モジュール
、不均一性に対応するために個々の都市ノードのモデル パラメーターをカスタマイズします。
PeMSD4 および PeMSD8 データセットの評価では、6 つのベースライン手法を超える Fed-LDR の優れたパフォーマンスが実証されています。
Fed-LDR は、両方のデータセットにわたって 0.96 という高い相関係数を維持しながら、平均絶対誤差 (MAE) の最低値 20.15 と 17.30、二乗平均二乗誤差 (RMSE) の最低値 32.30 と 27.15 をそれぞれ達成しました。
特に、PeMSD4 データセットでは、Fed-LDR は、最もパフォーマンスの良いベースライン FedMedian と比較して、MAE と RMSE をそれぞれ最大 81\% と 78\% 削減しました。

要約(オリジナル)

The rapid acceleration of global urbanization has introduced novel challenges in enhancing urban infrastructure and services. Spatio-temporal data, integrating spatial and temporal dimensions, has emerged as a critical tool for understanding urban phenomena and promoting sustainability. In this context, Federated Learning (FL) has gained prominence as a distributed learning paradigm aligned with the privacy requirements of urban IoT environments. However, integrating traditional and deep learning models into the FL framework poses significant challenges, particularly in capturing complex spatio-temporal dependencies and adapting to diverse urban conditions. To address these challenges, we propose the Federated Local Data-Infused Graph Creation with Node-centric Model Refinement (Fed-LDR) algorithm. Fed-LDR leverages FL and Graph Convolutional Networks (GCN) to enhance spatio-temporal data analysis in urban environments. The algorithm comprises two key modules: (1) the Local Data-Infused Graph Creation (LDIGC) module, which dynamically reconfigures adjacency matrices to reflect evolving spatial relationships within urban environments, and (2) the Node-centric Model Refinement (NoMoR) module, which customizes model parameters for individual urban nodes to accommodate heterogeneity. Evaluations on the PeMSD4 and PeMSD8 datasets demonstrate Fed-LDR’s superior performance over six baseline methods. Fed-LDR achieved the lowest Mean Absolute Error (MAE) values of 20.15 and 17.30, and the lowest Root Mean Square Error (RMSE) values of 32.30 and 27.15, respectively, while maintaining a high correlation coefficient of 0.96 across both datasets. Notably, on the PeMSD4 dataset, Fed-LDR reduced MAE and RMSE by up to 81\% and 78\%, respectively, compared to the best-performing baseline FedMedian.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google