論文の概要: Enabling Seamless Device Association with DevLoc using Light Bulb
Networks for Indoor IoT Environments
- arxiv url: http://arxiv.org/abs/2005.07731v1
- Date: Fri, 15 May 2020 18:33:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:47:53.718924
- Title: Enabling Seamless Device Association with DevLoc using Light Bulb
Networks for Indoor IoT Environments
- Title（参考訳）: 室内IoT環境のためのLight Bulb Networksを用いたDevLocによるシームレスデバイスアソシエーションの実現
- Authors: Michael Haus, J\"org Ott, Aaron Yi Ding
- Abstract要約: DevLocという名前のシステムは、ユビキタスな光源を利用して、連続的でシームレスなデバイスグループ化を実行します。
我々は,デバイス・ツー・デバイスとデバイス・ツー・エリアという,異なるエンティティ間のデバイス・アソシエーションの2つのモードをサポートする。
我々は、個人や見知らぬ者のデバイスなどのセマンティックデバイスグループを認識することにより、デバイス関連パターンを分析し、データプライバシを改善する。
- 参考スコア（独自算出の注目度）: 0.7519872646378835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To enable serendipitous interaction for indoor IoT environments, spontaneous
device associations are of particular interest so that users set up a
connection in an ad-hoc manner. Based on the similarity of light signals, our
system named DevLoc takes advantage of ubiquitous light sources around us to
perform continuous and seamless device grouping. We provide a configuration
framework to control the spatial granularity of user's proximity by managing
the lighting infrastructure through customized visible light communication. To
realize either proximity-based or location-based services, we support two modes
of device associations between different entities: device-to-device and
device-to-area. Regarding the best performing method for device grouping,
machine learning-based signal similarity performs in general best compared to
distance and correlation metrics. Furthermore, we analyze patterns of device
associations to improve the data privacy by recognizing semantic device groups,
such as personal and stranger's devices, allowing automated data sharing
policies.
- Abstract（参考訳）: 屋内IoT環境におけるセレンディピティーなインタラクションを可能にするために、ユーザがアドホックな方法で接続を設定するために、自発的なデバイスアソシエーションが特に関心がある。
私たちのシステムDevLocは、光信号の類似性に基づいて、ユビキタスな光源を利用して、連続的でシームレスなデバイスグループ化を行います。
照明インフラをカスタマイズした可視光通信により管理することにより、ユーザの近接の空間的粒度を制御するための構成フレームワークを提供する。
近接ベースサービスと位置ベースサービスの両方を実現するため,デバイス・ツー・デバイスとデバイス・ツー・エリアという,異なるエンティティ間のデバイス関連性をサポートする。
デバイスグルーピングの最良の動作方法としては、距離や相関指標と比較して、機械学習に基づく信号類似性が一般的である。
さらに,個人のデバイスや見知らぬデバイスなどの意味的デバイスグループを認識し,データ共有ポリシの自動化を可能にすることで,データプライバシ向上のためのデバイス関連パターンの解析を行う。
関連論文リスト
- Unsupervised Federated Optimization at the Edge: D2D-Enabled Learning without Labels [14.696896223432507]
Federated Learning (FL)は、分散機械学習(ML)の一般的なソリューションである
tt CF-CLは、明示的な(生データ)または暗黙的な(埋め込み)情報をデバイス間通信(D2D)を介して交換する、ローカルなデバイス連携を採用している。
論文 参考訳（メタデータ） (2024-04-15T15:17:38Z) - 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) - Federated Learning for Computationally-Constrained Heterogeneous
Devices: A Survey [3.219812767529503]
フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。
現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
論文 参考訳（メタデータ） (2023-07-18T12:05:36Z) - Embedding Alignment for Unsupervised Federated Learning via Smart Data
Exchange [21.789359767103154]
フェデレートラーニング(FL)は、分散機械学習(ML)の最も有望なソリューションの1つとして認識されている。
我々は、ラベルのないデータセットを持つエッジデバイス間のFLのための新しい手法CF-CL(Cooperative Federated Unsupervised Contrastive Learning)を開発した。
論文 参考訳（メタデータ） (2022-08-04T19:26:59Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2022-03-26T00:41:57Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z) - 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) - Canopy: A Verifiable Privacy-Preserving Token Ring based Communication
Protocol for Smart Homes [10.744387940645712]
スマートホームデバイスで構成されるリングネットワークにおいて,暗号的にセキュアなトークン循環に基づく手法を開発した。
ソリューションは、デバイスアクティビティと対応するチャネルアクティビティを隠蔽し、それによって個人のアクティビティを保存します。
論文 参考訳（メタデータ） (2020-04-08T06:57:01Z) - Convergence of Update Aware Device Scheduling for Federated Learning at
the Wireless Edge [84.55126371346452]
遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。
各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。
数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
論文 参考訳（メタデータ） (2020-01-28T15:15:22Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。