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summarized from a mixture of standard, newly published, and unpublished works,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
- 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) - Location Leakage in Federated Signal Maps [7.093808731951124]
複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。
i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。
我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。
FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
論文 参考訳(メタデータ) (2021-12-07T02:28:12Z) - 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) - Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。
本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。
GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。
新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
論文 参考訳(メタデータ) (2020-08-06T07:36:55Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳(メタデータ) (2020-05-22T23:07:42Z)
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。