Fugu-MT 論文翻訳(概要): Federated Learning in Vehicular Networks

論文の概要: Federated Learning in Vehicular Networks

arxiv url: http://arxiv.org/abs/2006.01412v3
Date: Sat, 16 Jul 2022 06:59:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 01:24:43.141612
Title: Federated Learning in Vehicular Networks
Title（参考訳）: 車両ネットワークにおける連合学習
Authors: Ahmet M. Elbir and Burak Soner and Sinem Coleri and Deniz Gunduz and Mehdi Bennis
Abstract要約: フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
参考スコア（独自算出の注目度）: 41.89469856322786
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning (ML) has recently been adopted in vehicular networks for applications such as autonomous driving, road safety prediction and vehicular object detection, due to its model-free characteristic, allowing adaptive fast response. However, most of these ML applications employ centralized learning (CL), which brings significant overhead for data transmission between the parameter server and vehicular edge devices. Federated learning (FL) framework has been recently introduced as an efficient tool with the goal of reducing transmission overhead while achieving privacy through the transmission of model updates instead of the whole dataset. In this paper, we investigate the usage of FL over CL in vehicular network applications to develop intelligent transportation systems. We provide a comprehensive analysis on the feasibility of FL for the ML based vehicular applications, as well as investigating object detection by utilizing image-based datasets as a case study. Then, we identify the major challenges from both learning perspective, i.e., data labeling and model training, and from the communications point of view, i.e., data rate, reliability, transmission overhead, privacy and resource management. Finally, we highlight related future research directions for FL in vehicular networks.
Abstract（参考訳）: 機械学習(ML)は、自律運転、道路安全予測、車体物体検出などの応用において、モデルのない特性のため、適応的な高速応答を可能にするために、最近、車体ネットワークに採用されている。しかし、これらのMLアプリケーションのほとんどは集中学習(CL)を採用しており、パラメータサーバと車両のエッジデバイス間のデータ転送にかなりのオーバーヘッドをもたらす。フェデレートラーニング(FL)フレームワークは、データセット全体ではなく、モデル更新の送信を通じてプライバシを達成しつつ、送信オーバーヘッドを削減することを目的とした、効率的なツールとして最近導入された。本稿では,車載ネットワークアプリケーションにおける FL over CL を用いたインテリジェント交通システムの開発について検討する。本稿では,ML ベース車両用 FL の実現可能性に関する包括的分析と,画像ベースデータセットをケーススタディとして活用して物体検出を行う。そして,データラベリングやモデルトレーニングといった学習の観点から,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といったコミュニケーションの観点から,主要な課題を識別する。最後に,車載ネットワークにおけるflの今後の研究動向について述べる。

関連論文リスト

Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-01T15:37:38Z)
FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
論文参考訳（メタデータ） (2024-06-05T20:06:59Z)
PlateSegFL: A Privacy-Preserving License Plate Detection Using Federated Segmentation Learning [0.0]
PlateSegFLがFederated Learning (FL)と共にU-Netベースのセグメンテーションを実装した携帯電話のような様々なコンピューティングプラットフォームは、標準的な予測モデルの開発に協力することができる。
論文参考訳（メタデータ） (2024-04-07T19:10:02Z)
Sparse Federated Training of Object Detection in the Internet of Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2023-09-07T08:58:41Z)
Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges [8.20034065712914]
機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われているフェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
論文参考訳（メタデータ） (2023-08-21T01:21:21Z)
Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文参考訳（メタデータ） (2022-10-24T10:59:29Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)

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。