Fugu-MT 論文翻訳(概要): A Federated Learning Framework for Healthcare IoT devices

論文の概要: A Federated Learning Framework for Healthcare IoT devices

arxiv url: http://arxiv.org/abs/2005.05083v1
Date: Thu, 7 May 2020 22:58:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 00:22:35.407811
Title: A Federated Learning Framework for Healthcare IoT devices
Title（参考訳）: 医療用IoTデバイスのためのフェデレーション学習フレームワーク
Authors: Binhang Yuan and Song Ge and Wenhui Xing
Abstract要約: 深層ニューラルネットワークを学習するための高度なフェデレーション学習フレームワークを提案する。提案フレームワークは,バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず,低精度の損失を保証している。
参考スコア（独自算出の注目度）: 2.642698101441705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Internet of Things (IoT) revolution has shown potential to give rise to many medical applications with access to large volumes of healthcare data collected by IoT devices. However, the increasing demand for healthcare data privacy and security makes each IoT device an isolated island of data. Further, the limited computation and communication capacity of wearable healthcare devices restrict the application of vanilla federated learning. To this end, we propose an advanced federated learning framework to train deep neural networks, where the network is partitioned and allocated to IoT devices and a centralized server. Then most of the training computation is handled by the powerful server. The sparsification of activations and gradients significantly reduces the communication overhead. Empirical study have suggested that the proposed framework guarantees a low accuracy loss, while only requiring 0.2% of the synchronization traffic in vanilla federated learning.
Abstract（参考訳）: IoT(Internet of Things)革命は、IoTデバイスによって収集された大量の医療データにアクセス可能な、多くの医療アプリケーションを生み出す可能性を示している。しかし、医療データプライバシとセキュリティの需要が高まっているため、各IoTデバイスは独立したデータの島になっている。さらに、ウェアラブル医療機器の限られた計算能力と通信能力は、バニラ連合学習の適用を制限する。そこで本研究では,ネットワークを分割し,iotデバイスと集中型サーバに割り当てる深層ニューラルネットワークを訓練するための,高度なフェデレーション学習フレームワークを提案する。そして、ほとんどのトレーニング計算は強力なサーバによって処理されます。アクティベーションと勾配のスパース化は、通信オーバーヘッドを著しく減少させる。実験的な研究により、提案フレームワークは、バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず、低い精度の損失を保証することが示唆されている。

関連論文リスト

Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
論文参考訳（メタデータ） (2024-06-08T16:36:48Z)
Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
論文参考訳（メタデータ） (2024-05-09T08:15:31Z)
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)
IoT Federated Blockchain Learning at the Edge [14.689706366051956]
我々は、IoTデバイスのための分散フェデレーション学習フレームワーク、特にIoMT(Internet of Medical Things)について提案する。ブロックチェーンを使用して、中央集権システム上でのプライバシと効率を改善する分散型スキームを可能にします。 1) プライバシを確保するためにデータセットから学習を分離しながら、共有モデルの協調的なトレーニングを可能にするために、IoTデバイス上でニューラルネットワークをトレーニングする。
論文参考訳（メタデータ） (2023-04-06T11:32:40Z)
Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
論文参考訳（メタデータ） (2022-02-15T13:36:15Z)
Applications of Machine Learning in Healthcare and Internet of Things (IOT): A Comprehensive Review [2.1270496914042996]
本稿では、特に医療における最先端の機械学習応用について概観する。我々は、医療におけるIoTのオープンな課題を強調し、さらなる研究と研究を科学者に委ねている。
論文参考訳（メタデータ） (2022-02-06T21:56:39Z)
Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文参考訳（メタデータ） (2021-10-28T08:14:57Z)
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)
Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文参考訳（メタデータ） (2020-12-31T11:19:51Z)
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)
Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。