Survey of Federated Learning Models for Spatial-Temporal Mobility Applications

要約

フェデレーテッド ラーニングには、トレーニング データがローカルに保たれるように、携帯電話などのエッジ デバイス上で統計モデルをトレーニングすることが含まれます。
Federated Learning (FL) は、機密性の高い位置データのプライバシーを保護しながら、異質で潜在的に膨大な数の参加者に依存する時空間モデルをトレーニングするための理想的な候補として機能します。
ただし、既存の時空間モデルを分散学習に移行するには特有の課題があります。
この調査論文では、人間の移動性、交通予測、コミュニティ検出、位置ベースの推奨システム、およびその他の時空間タスクを予測するための FL ベースのモデルを提案した既存の文献をレビューします。
これらの研究で使用されているメトリクスとデータセットについて説明し、一元的な設定と比較してこれらのアプローチのベースラインを作成します。
最後に、分散環境で時空間モデルを適用する際の課題について議論し、文献のギャップを強調することで、研究コミュニティにロードマップと機会を提供します。

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, Google