.png){kind=icon}
返回
Federated Learning-Based Distributed Data Completion in Sparse Mobile CrowdSensing
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3640170.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏移动众包感知（SMCS）是一种新兴的分布式数据收集框架。作为核心方法之一，数据补全利用收集到的数据填充缺失数据。然而，这种方法不可避免地会带来显著的隐私风险，因为传统的数据补全方法需要用户的时间与位置信息。本文提出了一种基于联邦学习的分布式数据补全框架，该框架采用矩阵分解（MF）进行局部补全模型训练，并利用联邦学习聚合MF模型的参数。这使得在不要求私有数据的情况下构建全局补全模型成为可能，从而缓解了隐私担忧。为应对分布式数据稀疏性和异步性带来的挑战，我们引入了具有时间感知能力的人工神经网络架构，并结合异步机制，以实现在不规则收集的本地数据上的联邦训练。实验结果表明，所提出的模型在实现高数据补全精度的同时，确保了稳健的隐私保护。
Keyword:
Privacy protection
distributed data
federated learning
sparse crowdsensing
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
Hierarchical spatio-temporal graph convolutional neural networks for traffic data imputation用于交通数据填补的分层时空图卷积神经网络.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Applicability of a Nu-Support Vector Regression Model for the Completion of Missing Data in Hydrological Time SeriesWATER
OAAI
WATERIF3
OAAI分享收藏A New Data Completion Perspective on Sparse CrowdSensing: Spatiotemporal Evolutionary Inference Approach一种新的稀疏众包数据补全视角：时空演化推断方法
PREAI
分享收藏分享收藏
查看更多内容