論文の概要: FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing

• arxiv url: http://arxiv.org/abs/2003.03697v2
• Date: Mon, 25 May 2020 04:21:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 14:46:58.898982
• Title: FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing
• Title（参考訳）: FedLoc: データ駆動型コラボローカライゼーションとロケーションデータ処理のためのフェデレーションラーニングフレームワーク
• Authors: Feng Yin, Zhidi Lin, Yue Xu, Qinglei Kong, Deshi Li, Sergios Theodoridis, Shuguang (Robert) Cui
• Abstract要約: データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。 我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。 本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
• 参考スコア（独自算出の注目度）: 12.518673970373422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this overview paper, data-driven learning model-based cooperative localization and location data processing are considered, in line with the emerging machine learning and big data methods. We first review (1) state-of-the-art algorithms in the context of federated learning, (2) two widely used learning models, namely the deep neural network model and the Gaussian process model, and (3) various distributed model hyper-parameter optimization schemes. Then, we demonstrate various practical use cases that are summarized from a mixture of standard, newly published, and unpublished works, which cover a broad range of location services, including collaborative static localization/fingerprinting, indoor target tracking, outdoor navigation using low-sampling GPS, and spatio-temporal wireless traffic data modeling and prediction. Experimental results show that near centralized data fitting- and prediction performance can be achieved by a set of collaborative mobile users running distributed algorithms. All the surveyed use cases fall under our newly proposed Federated Localization (FedLoc) framework, which targets on collaboratively building accurate location services without sacrificing user privacy, in particular, sensitive information related to their geographical trajectories. Future research directions are also discussed at the end of this paper.
• Abstract（参考訳）: 本稿では,データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理を,新たな機械学習やビッグデータ手法に則って検討する。 まず,(1)フェデレーション学習の文脈における最先端のアルゴリズム,(2)ディープニューラルネットワークモデルとガウスプロセスモデルという2つの広く使われている学習モデル,(3)様々な分散モデルハイパーパラメータ最適化スキームについて検討する。 そこで我々は,協調的な静的な位置決め・フィンガープリンティング,屋内目標追跡,低サンプリングGPSを用いた屋外ナビゲーション,時空間無線交通データモデリングと予測など,幅広い位置情報サービスを網羅した,標準・新版・未公開作品の混在から要約した多種多様な実用事例を紹介する。 実験の結果,分散アルゴリズムを実行する協調モバイルユーザの集合によって,ほぼ一元的データフィッティングと予測性能が達成できることがわかった。 このフレームワークは、ユーザのプライバシーを犠牲にすることなく、正確な位置情報サービスを構築すること、特に、地理的トラジェクタに関連する機密情報を共同構築することを目的としています。 本稿の最後には,今後の研究の方向性についても述べる。

関連論文リスト

• Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
  本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。 提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。 その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
  論文  参考訳（メタデータ） (2024-11-07T13:25:52Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Personalized Collaborative Fine-Tuning for On-Device Large Language Models [33.68104398807581]
  ローカルデータ利用率に制限のある大規模言語モデルのデバイス上での自己教師型協調微調整について検討する。 本稿では,信頼度重み付き勾配集約方式として,重み類似度ベース,予測類似度ベース,検証性能ベースという3つの方法を紹介する。 予測および性能指標によって駆動される当社のプロトコルは、FedAvgと局所的な微調整手法の両方を超越している。
  論文  参考訳（メタデータ） (2024-04-15T12:54:31Z)
• Referee-Meta-Learning for Fast Adaptation of Locational Fairness [26.770426062329165]
  本稿では,深層ニューラルネットワークのメタトレーニングとメタテストを行うために,位置的メタ参照(Meta-Ref)を提案する。 また,Meta-Refは全体の予測品質を同等に保ちながら,位置の公平性を向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-20T21:09:04Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Pre-training Contextual Location Embeddings in Personal Trajectories via Efficient Hierarchical Location Representations [30.493743596793212]
  人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。 これまでの研究では、1万個未満の異なる場所を処理しており、これは現実世界の応用では不十分である。 本研究では,異なる規模の複数のグリッドの組み合わせとして位置を表現することによって,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
  論文  参考訳（メタデータ） (2023-10-02T14:40:24Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Federated Learning from Small Datasets [48.879172201462445]
  フェデレーション学習は、複数のパーティが、ローカルデータを共有せずに、共同モデルを共同でトレーニングすることを可能にする。 そこで本研究では,局所モデルの置換とモデルアグリゲーションを連動させる新しい手法を提案する。 置換は、各ローカルモデルをローカルデータセットのデージーチェーンに公開することで、データスパースドメインでのより効率的なトレーニングを実現する。
  論文  参考訳（メタデータ） (2021-10-07T13:49:23Z)

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。