یادگیری فدرال و حفظ حریم خصوصی در برنامه ریزی شهر هوشمند مدل های توزیع شده برای داده های فضایی حساس

برنامه ریزی شهری امروز به شدت متکی بر داده های مکانی و فضا زمانی با تفکیک پذیری بالا از ردپاهای حرکتی، کنتورهای انرژی، حسگرهای محیطی و خدمات مکان محور است. یادگیری ماشین متمرکز کارایی نوید می دهد اما ریسک های حکمرانی را نیز تشدید می کند؛ از شناسایی مجدد و استنتاج عضویت گرفته تا سوء استفاده بین سازمانی از داده که در نهایت به سرکوب اشتراک گذاری داده و تضعیف اعتماد عمومی می انجامد. یادگیری فدرال (FL) و فناوری های هم خانواده حریم خصوصی، جایگزینی ارائه می کنند که در آن مدل ها بر پهنه سیلوهای داده آموزش می بینند در حالی که داده ها محلی باقی می مانند و بدین ترتیب، هوشمندی بین سازمانی بدون تجمیع انبوه داده ممکن می شود. این مرور شواهد مربوط به امکان پذیری، دقت، تاب آوری و ویژگی های حکمرانی FL را برای وظایف مرتبط با برنامه ریزی که داده های حساس فضایی را درگیر می کنند هم نهاد می کند. نتایج پیمایش ها نوآوری های الگوریتمی و استقرارهای دامنه ای در حمل ونقل، انرژی، پایش محیط، پیش بینی، آب و استنتاج رفتار حرکتی را یکپارچه می کنیم. تهدیدها و دفاع ها از جمله تعامل حریم خصوصی تفاضلی، تجمیع امن و رمزنگاری هم ریخت و چالش های آماری ناشی از ناهمگونی توزیع (non-IID)، خودهمبستگی مکانی و رانش را واکاوی می کنیم. با تکیه بر این، شواهد چارچوب ارزیابی ای ارائه می دهیم که کارایی، حریم خصوصی، استحکام، کارآمدی و انصاف را توامان می سنجد و نقشه راهی برای استقرار در شهرداری ها و کنسرسیوم های منطقه ای ترسیم می کند. سنتز ما نشان می دهد تحت شرایط واقع بینانه و با اندکی شخصی سازی و فشرده سازی ارتباطی FL می تواند در چندین وظیفه برنامه ریزی به دقتی هم تراز رویکردهای متمرکز برسد و در عین حال ریسک افشای داده را به طور معناداری کاهش دهد. با این همه، بلوغ امنیتی، گزارش دهی دقیق، هزینه های انرژی و ممیزی انصاف در مطالعات ناهمسان است. در پایان، نقشه کاری برای استانداردهای حسابداری حریم خصوصی فضایی، مجموعه داده های مرجع با تضمین های رسمی، تجمیع مقاوم تحت non-IID فضایی و حکمرانی جامعه فناورانه پیشنهاد می کنیم تا شهرها بتوانند ارزش داده های شهری را در چارچوب الزامات شهروندی و نظارتی آزاد کنند.

کلیدواژه ها:

یادگیری فدرال ، شهرهای هوشمند ، حریم خصوصی فضایی ، حریم خصوصی تفاضلی ، تجمیع امن ، رایانش لبه ، مدل سازی جابجایی ، حاکمیت