論文の概要: Personalized Federated Learning for Intelligent IoT Applications: A
Cloud-Edge based Framework
- arxiv url: http://arxiv.org/abs/2002.10671v3
- Date: Sat, 2 May 2020 08:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 22:21:03.879577
- Title: Personalized Federated Learning for Intelligent IoT Applications: A
Cloud-Edge based Framework
- Title（参考訳）: インテリジェントIoTアプリケーションのためのパーソナライズされたフェデレーション学習:クラウドエッジベースのフレームワーク
- Authors: Qiong Wu and Kaiwen He and Xu Chen
- Abstract要約: IoT(Internet of Things)は、現代生活のさまざまな側面に広く浸透している。
この記事では、インテリジェントなIoTアプリケーションのためのクラウドエッジアーキテクチャにおいて、パーソナライズされたフェデレーション付き学習フレームワークを推奨します。
- 参考スコア（独自算出の注目度）: 12.199870302894439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Things (IoT) have widely penetrated in different aspects of
modern life and many intelligent IoT services and applications are emerging.
Recently, federated learning is proposed to train a globally shared model by
exploiting a massive amount of user-generated data samples on IoT devices while
preventing data leakage. However, the device, statistical and model
heterogeneities inherent in the complex IoT environments pose great challenges
to traditional federated learning, making it unsuitable to be directly
deployed. In this article we advocate a personalized federated learning
framework in a cloud-edge architecture for intelligent IoT applications. To
cope with the heterogeneity issues in IoT environments, we investigate emerging
personalized federated learning methods which are able to mitigate the negative
effects caused by heterogeneity in different aspects. With the power of edge
computing, the requirements for fast-processing capacity and low latency in
intelligent IoT applications can also be achieved. We finally provide a case
study of IoT based human activity recognition to demonstrate the effectiveness
of personalized federated learning for intelligent IoT applications.
- Abstract（参考訳）: IoT(Internet of Things)は、現代的な生活のさまざまな側面に広く浸透し、多くのインテリジェントなIoTサービスやアプリケーションが登場しています。
近年,IoTデバイス上で大量のユーザ生成データサンプルを活用することで,データの漏洩を防止し,グローバルな共有モデルをトレーニングするためのフェデレーション学習が提案されている。
しかし、複雑なIoT環境に固有のデバイス、統計的およびモデルの不均一性は、従来のフェデレーション学習に大きな課題をもたらし、直接デプロイするのは適さない。
この記事では、インテリジェントIoTアプリケーションのためのクラウドエッジアーキテクチャにおいて、パーソナライズされたフェデレーション学習フレームワークを推奨します。
IoT環境における異種性問題に対処するために,異種性に起因するネガティブな影響を軽減できる,個人化されたフェデレーション学習手法を提案する。
エッジコンピューティングのパワーにより、インテリジェントなIoTアプリケーションの高速処理能力と低レイテンシの要件も達成できる。
最後に、知的IoTアプリケーションに対するパーソナライズされたフェデレーション学習の有効性を示すために、IoTベースのヒューマンアクティビティ認識のケーススタディを提供する。
関連論文リスト
- IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。
運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。
既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。
本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
論文 参考訳（メタデータ） (2023-11-10T18:13:08Z) - Fostering new Vertical and Horizontal IoT Applications with Intelligence
Everywhere [8.208838459484676]
Intelligence Everywhereは、大量のデータストリームを運ぶIoTネットワークのシームレスな統合を前提としている。
本稿では,最先端の研究とインテリジェンス・エビデンス・エビデンス・フレームワークの原理について論じる。
また、水平IoTアプリケーションを開発するための新しい視点も導入している。
論文 参考訳（メタデータ） (2023-09-30T11:59:39Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳（メタデータ） (2023-09-14T05:43:36Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳（メタデータ） (2023-02-20T09:38:12Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳（メタデータ） (2021-06-15T08:53:42Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Machine learning and data analytics for the IoT [8.39035688352917]
機械学習解析におけるIoT生成データの処理方法について概観する。
我々は、IoTアプリケーションが他のIoTアプリケーションから適応的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-30T07:38:31Z)
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。