論文の概要: Exploiting Unlabeled Data in Smart Cities using Federated Learning

• arxiv url: http://arxiv.org/abs/2001.04030v2
• Date: Wed, 4 Mar 2020 23:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 23:50:27.090809
• Title: Exploiting Unlabeled Data in Smart Cities using Federated Learning
• Title（参考訳）: フェデレートラーニングを用いたスマートシティにおけるラベルなしデータのエクスプロイト
• Authors: Abdullatif Albaseer, Bekir Sait Ciftler, Mohamed Abdallah, and Ala Al-Fuqaha
• Abstract要約: フェデレートラーニングは、プライバシー侵害を回避し、データの利用を増やすための効果的なテクニックである。 ラベルなしデータを利用した半教師付きフェデレーション学習手法FedSemを提案する。 その結果,FedSemは学習過程におけるラベルなしデータを利用して精度を最大8%向上できることがわかった。
• 参考スコア（独自算出の注目度）: 2.362412515574206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy concerns are considered one of the main challenges in smart cities as sharing sensitive data brings threatening problems to people's lives. Federated learning has emerged as an effective technique to avoid privacy infringement as well as increase the utilization of the data. However, there is a scarcity in the amount of labeled data and an abundance of unlabeled data collected in smart cities, hence there is a need to use semi-supervised learning. We propose a semi-supervised federated learning method called FedSem that exploits unlabeled data. The algorithm is divided into two phases where the first phase trains a global model based on the labeled data. In the second phase, we use semi-supervised learning based on the pseudo labeling technique to improve the model. We conducted several experiments using traffic signs dataset to show that FedSem can improve accuracy up to 8% by utilizing the unlabeled data in the learning process.
• Abstract（参考訳）: プライバシーの懸念はスマートシティにおける主要な課題の1つと考えられており、機密データを共有することは人々の生活に脅威をもたらす。 連合学習は、プライバシー侵害を回避し、データの利用を増やす効果的な手法として登場した。 しかし、ラベル付きデータの量や、スマートシティで収集されたラベルなしデータの量が不足しているため、半教師付き学習を使う必要がある。 ラベルなしデータを利用した半教師付きフェデレーション学習手法FedSemを提案する。 アルゴリズムは、ラベル付きデータに基づいて第1フェーズがグローバルモデルを訓練する2つのフェーズに分けられる。 第2フェーズでは,擬似ラベリング手法に基づく半教師付き学習を用いてモデル改善を行う。 我々は,FedSemが学習過程におけるラベルなしデータを利用することで,精度を最大8%向上できることを示すために,交通標識データセットを用いていくつかの実験を行った。

関連論文リスト

• FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness for Semi-Supervised Learning [73.13448439554497]
  Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。 ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。 本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-25T06:57:59Z)
• Federated Learning without Full Labels: A Survey [23.49131075675469]
  本稿では,フェデレーション学習と半教師付き学習,自己教師型学習,移動学習を併用する手法について検討する。 また、フルラベルなしでFLメソッドを評価するために使われるデータセットを要約する。
  論文  参考訳（メタデータ） (2023-03-25T12:13:31Z)
• Learning to Predict Gradients for Semi-Supervised Continual Learning [36.715712711431856]
  マシンインテリジェンスの主な課題は、以前獲得した知識を忘れずに、新しい視覚概念を学習することだ。 既存の教師付き連続学習と人間のような知性の間にはギャップがあり、人間はラベル付きデータとラベルなしデータの両方から学ぶことができる。 我々は,既存の連続学習モデルに汎用的に適用可能な,半教師付き連続学習法を定式化した。
  論文  参考訳（メタデータ） (2022-01-23T06:45:47Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• FedTriNet: A Pseudo Labeling Method with Three Players for Federated Semi-supervised Learning [24.720014822365684]
  本稿では,FedTriNetという新しいフェデレーション付き半教師付き学習手法を提案する。 特に,3つのネットワークと動的品質制御機構を用いて,ラベルのないデータに対して高品質な擬似ラベルを生成することを提案する。 3つの公開データセットの実験結果は、提案されたFedTriNetが最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2021-09-12T21:00:25Z)
• OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
  ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
  論文  参考訳（メタデータ） (2021-06-29T06:10:05Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• A Survey on Semi-Supervised Learning for Delayed Partially Labelled Data Streams [10.370629574634092]
  本調査は, 半教師付き環境で, 不正なデータを利用する手法に特に注意を払っている。 完全教師付き手法と半教師付き手法の両方に影響を及ぼす遅延ラベル問題について議論する。
  論文  参考訳（メタデータ） (2021-06-16T23:14:20Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
  ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。 フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:43:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。