Fingerprinting 시스템에 사용되는 crowd-sourcing 기반 데이터베이스(DB)를 구축할 때 발생하는 프라이버시 침해 문제를 해결하기 위한 방법으로 연합학습이 제안되었다. 연합학습은 서버에 직접 데이터를 저 장하 지 않아 프라이버시에 이점을 갖지만 클라이언트들의 데이터는 개인화 되어있어 그 분포가 균일하지 않은 non-independent identically distributed (non-IID) 특성을 갖기 때문에 안정적인 성능이 나오기 힘들다. 본 논 문에서는 non-IID 특성을 억제하기 위한 방법으로 data sharing을 이용한 연합학습 기반 fingerprinting 구현 방법을 제안한다. 클라이언트들은 상용 단말을 이용해 극단적인 non-IID 데이터 분포를 갖도록 하여 데 이터 를 수집했고 fingerprinting을 위한 DB를 직접 구축했다. 측위 시뮬레이션을 통해 극단적인 non-IID 상황에서 data sharing을 활용한 연합학습을 통해 분산형 학습에서도 중앙집중형 학습과 유사한 성능을 낼 수 있 었 다.

Non-IID Data Collection and Federated Learning-based Indoor Positioning Implementation

Taekyoon Kim, Junha Park, Jiseon Moon, Sunwoo Kim*

Federated learning (FL) was proposed to solve privacy invasion problem that occurs when establishing a large size of crowd-sourcing-based database (DB) for fingerprinting. In FL, it has advantage on privacy issue because the raw data clients collected does not stored in central server. However, the performance of FL is not robust since each data is personalized and their distribution is non-independent identically distributed (non-IID). In this paper, the implementation method of fingerprinting with data sharing to restrain the affection of non-IID is proposed. Each client uses commercial smartphones to establish fingerprinting DB and set their data distribution to extreme non-IID. The simulation results confirm that the decentralized learning using data sharing in extreme non-IID condition is closed to the central learning.

Keywords: indoor positioning, fingerprinting, federated learning, non-IID, data sharing

Speaker 김택윤 한양대학교