یادگیری فدرال و حفظ حریم خصوصی در برنامه‌ریزی شهر هوشمند: مدل‌های توزیع‌شده برای داده‌های فضایی حساس

برنامه‌ریزی شهریِ امروز به‌شدت متکی بر داده‌های مکانی و فضا–زمانی با تفکیک‌پذیری بالا از ردپاهای حرکتی، کنتورهای انرژی، حسگرهای محیطی و خدمات مکان‌محور است. خطوط لوله یادگیری ماشین متمرکز، کارایی نوید می‌دهند اما ریسک‌های حکمرانی را نیز تشدید می‌کنند؛ از شناسایی مجدد و استنتاج عضویت گرفته تا سوء‌استفاده بین‌سازمانی از داده که در نهایت به سرکوب اشتراک‌گذاری داده و تضعیف اعتماد عمومی می‌انجامد. یادگیری فدرال (fl) و فناوری‌های هم‌خانواده حریم خصوصی، جایگزینی ارائه می‌کنند که در آن، مدل‌ها بر پهنه سیلوهای داده آموزش می‌بینند در حالی که داده‌ها محلی باقی می‌مانند و بدین‌ترتیب، هوشمندی بین‌سازمانی بدون تجمیع انبوه داده ممکن می‌شود. این مرور، شواهد مربوط به امکان‌پذیری، دقت، تاب‌آوری و ویژگی‌های حکمرانیِ fl را برای وظایف مرتبط با برنامه‌ریزی که داده‌های حساس فضایی را درگیر می‌کنند، هم‌نهاد می‌کند. نتایجِ پیمایش‌ها، نوآوری‌های الگوریتمی و استقرارهای دامنه‌ای در حمل‌ونقل، انرژی، پایش محیط، پیش‌بینی آب، و استنتاج رفتار حرکتی را یکپارچه می‌کنیم. تهدیدها و دفاع‌ها “ از جمله تعامل حریم خصوصی تفاضلی، تجمیع امن و رمزنگاری همریخت “ و چالش‌های آماریِ ناشی از ناهمگونی توزیع (non-iid)، خودهمبستگی مکانی و رانش را واکاوی می‌کنیم. با تکیه بر این شواهد، چارچوب ارزیابی‌ای ارائه می‌دهیم که کارایی، حریم خصوصی، استحکام، کارآمدی و انصاف را توامان می‌سنجد و نقشه‌راهی برای استقرار در شهرداری‌ها و کنسرسیوم‌های منطقه‌ای ترسیم می‌کند. سنتز ما نشان می‌دهد تحت شرایط واقع‌بینانه و با اندکی شخصی‌سازی و فشرده‌سازی ارتباطی، fl می‌تواند در چندین وظیفه برنامه‌ریزی به دقتی هم‌ترازِ رویکردهای متمرکز برسد و در عین حال ریسک افشای داده را به‌طور معناداری کاهش دهد. با این همه، بلوغ امنیتی، گزارش‌دهی دقیق، هزینه‌های انرژی و ممیزیِ انصاف در مطالعات ناهمسان است. در پایان، نقشه کاری برای استانداردهای حسابداریِ حریم خصوصی فضایی، مجموعه‌داده‌های مرجع با تضمین‌های رسمی، تجمیع مقاوم تحت non-iid فضایی، و حکمرانیِ جامعه‌فناورانه پیشنهاد می‌کنیم تا شهرها بتوانند ارزش داده‌های شهری را در چارچوب الزامات شهروندی و نظارتی آزاد کنند.