この研究は、中央サーバーとデータを共有する必要なく、複数の自治体や国にまたがる道路損傷検出モデルを共同学習するためのFederated Learning（FL）の可能性を示しています。このアプローチは、プライバシーが懸念される状況や、法的または技術的な理由によりデータの共有やデータ転送が不可能な状況において有益です。その結果、与えられたデータセットでFLと集中型トレーニングの両方が実行可能な場合、FLモデルは集中型モデルよりも平均適合率（mAP）が21％～25％低い事がわかりました。またFLモデルの中で、非独立同一分布（non-IID）バージョンのデータで訓練されたモデルは、IIDバージョンで訓練されたモデルよりもmAPが16%低い事がわかりました。多国間データの非IIDバージョンで学習したFLモデルは、グローバルテストデータで評価した場合、各国モデルを上回り、よりロバストで一般化可能な道路損傷検出モデルが得られることが確認されました。具体的な性能の向上はデータ分布や国の質によって異なり、mAPの向上は1.33%から163%の範囲でした。このアプローチにより、独自の道路損傷データセットを持たない国でも、他国のデータにアクセスすることなく道路損傷検出を展開することができる事が示されました。
The study demonstrates the potential of Federated Learning (FL) for collaboratively training road damage detection models across multiple municipalities or countries without the need to share data with a central server. This approach is beneficial in situations where privacy is a concern or where data sharing or data transfer is not possible due to legal or technical reasons. The results showed that when both FL and centralized training are feasible on a given data set, FL models had 21%–25% lesser mAP than the centralized models. Within FL models, a model trained on the non–independent and identically distributed (non-IID) version of data has 16% lesser mAP than a model trained on the IID version. It was observed that the FL model trained on the non-IID version of multicountry data outperformed local country models when evaluated on global test data, thereby giving a more robust and generalizable road damage detection model. The gain in performance varied with data distribution and quality of the country, and the gain in mAP ranged from 1.33% to 163%. This approach can allow countries without their own road damage data sets to deploy road damage detection without accessing data from other countries.
【論文情報】
Saha, P. K., Arya, D., & Sekimoto, Y. (2024). Federated learning–based global road damage detection. Computer‐Aided Civil and Infrastructure Engineering.
https://doi.org/10.1111/mice.13186
Figure: Development of a multicountry model using federated learning (FL).
