FedSky: An Efficient and Privacy-Preserving Scheme for Federated Mobile Crowdsensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) is a newly emerged sensing paradigm, where a large group of mobile workers collectively sense and share data for real-time services. However, one major problem that hinders the further development of MCS is the potential leakage of workers’ data privacy. In this article, we integrate federated learning (FL) with MCS and introduce a novel sensing system, called federated MCS (F-MCS). In F-MCS, the workers can optimize the global model while keeping all the sensitive training data locally, thus ensuring their data privacy. Nevertheless, there are still two major issues in F-MCS. The first issue is that in F-MCS services, the workers are heterogeneous in terms of computational capacities and data resources. Hence, qualified workers should be appropriately selected to improve the efficiency of the training process. The second issue is that F-MCS is a <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">cross-device</i> FL system, where the platform will finally get the global model after multiple training rounds. However, most privacy-preserving techniques are designed for <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">cross-silo</i> FL platforms, which cannot be applied to real-world F-MCS scenarios. To tackle the above problems, in this article, we propose a privacy-preserving scheme for F-MCS, namely, FedSky. Mainly, by extending the classic FedAvg algorithm, FedSky selects qualified workers based on the constrained group skyline (CG-skyline) and securely aggregates model updates based on the homomorphic encryption technique. Comprehensive security analysis demonstrates the privacy preservation of FedSky. Extensive experiments are conducted on an image classification task, where the comparison results validate the proposed scheme’s efficiency and effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle