Bestehende Produkte oder Dienstleistungen könnten durch einen Datenaustausch verschiedener Partner effizienter und sicherer gestaltet werden. Dennoch zögern Dateneigentümer den Austausch von Informationen auf Grund von Datenschutzbestimmungen oder des Risikos der Interformationsweitergabe an Wettbewerber.
Ein vielversprechender Ansatz zur Auflösung dieses Spannungsfeldes ist das Federated Learning. Dabei können Unternehmen in einer Art Datenallianz Daten austauschen, ohne jedoch direkt auf die Daten zuzugreifen, sondern stattdessen Modellparameter auszutauschen.
Das dies funktioniert und zu einer Verbesserung bestehender Sicherheitssysteme in der Mobilität führt, haben wir in einem interdisziplinären Team mit Kolleg*innen von der Leibniz Universität Hannover und der Technischen Universität Clausthal in der Publikation „Detection of anomalous vehicle trajectories using federated learning“ gezeigt. Diese ist im Open Journal of Photogrammetry and Remote Sensing erschein.
Sie finden den Artikel hier:
Koetsier, Christian; Fiosina, Jelena; Gremmel, Jan N.; Sester, Monika; Müller, Jörg P.; Woisetschläger, David M. (2022): Detection of anomalous vehicle trajectories using federated learning. In: ISPRS Open Journal of Photogrammetry and Remote Sensing.