ARMOR: モバイル室内定位の継続的連合学習におけるモデル汚染攻撃に対する適応的レジリエンス

要旨: 室内定位は、資産追跡から個別化サービスの提供に至るまで、様々な用途でますます不可欠になっています。フェデレーテッドラーニング（FL）は、生データを共有することなく、モバイルデバイスからの分散データを用いて中央のグローバルモデル（GM）を訓練することで、プライバシーを保護するアプローチを提供します。しかし、実世界の展開には、GMがデバイスの異質性と進化する室内環境の下で継続的な更新を受け取る継続的フェデレーテッドラーニング（CFL）設定が必要です。このような動的条件下では、誤った更新や偏った更新がGMを期待される学習軌道から逸脱させ、内部GM表現とGMの定位性能を徐々に劣化させます。この脆弱性は、敵対的なモデルポイズニング攻撃によってさらに悪化します。この課題に対処するため、継続的な更新中のGMを監視・保護する新規の CFL ベースのフレームワーク ARMOR を提案します。ARMOR は、GM 重みテンソルの歴史的な推移を学習し、GM の重みテンソルの次の予想状態を予測する新しい状態空間モデル（SSM）を導入します。この SSM 投影と受信した局所更新を比較することにより、ARMOR は逸脱を検知し、ローカル更新が GM と統合される前に破損した更新を選択的に緩和します。この機構は、時間的な環境ダイナミクスへの堅牢な適応を可能にし、GMの腐敗を防ぎつつ、モデルポイズニング攻撃の影響を緩和します。実世界の条件での実験評価は、ARMOR が著しい改善を達成することを示しており、最先端の室内定位フレームワークと比較して平均誤差を最大で8.0倍、最悪ケース誤差を4.97倍低減し、実世界データとモバイルデバイスを用いて検証されたモデル腐敗に対する強い耐性を示しています。