論文の概要: Federated and continual learning for classification tasks in a society of devices

• arxiv url: http://arxiv.org/abs/2006.07129v2
• Date: Tue, 12 Jan 2021 18:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 04:26:48.844451
• Title: Federated and continual learning for classification tasks in a society of devices
• Title（参考訳）: デバイス社会における分類課題のための連帯学習と連続学習
• Authors: Fernando E. Casado, Dylan Lema, Roberto Iglesias, Carlos V. Regueiro, Sen\'en Barro
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.45414406974091
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Today we live in a context in which devices are increasingly interconnected and sensorized and are almost ubiquitous. Deep learning has become in recent years a popular way to extract knowledge from the huge amount of data that these devices are able to collect. Nevertheless, centralized state-of-the-art learning methods have a number of drawbacks when facing real distributed problems, in which the available information is usually private, partial, biased and evolving over time. Federated learning is a popular framework that allows multiple distributed devices to train models remotely, collaboratively, and preserving data privacy. However, the current proposals in federated learning focus on deep architectures that in many cases are not feasible to implement in non-dedicated devices such as smartphones. Also, little research has been done regarding the scenario where data distribution changes over time in unforeseen ways, causing what is known as concept drift. Therefore, in this work we want to present Light Federated and Continual Consensus (LFedCon2), a new federated and continual architecture that uses light, traditional learners. Our method allows powerless devices (such as smartphones or robots) to learn in real time, locally, continuously, autonomously and from users, but also improving models globally, in the cloud, combining what is learned locally, in the devices. In order to test our proposal, we have applied it in a heterogeneous community of smartphone users to solve the problem of walking recognition. The results show the advantages that LFedCon2 provides with respect to other state-of-the-art methods.
• Abstract（参考訳）: 現在、デバイスはますます相互接続され、センサ化され、ほぼユビキタスな状況にあります。 近年、ディープラーニングは、これらのデバイスが収集できる膨大なデータから知識を抽出する一般的な方法となっている。 それにもかかわらず、集中型最先端学習手法は、利用可能な情報が通常プライベートで部分的、偏りがあり、時間とともに進化する、真の分散問題に直面したときに多くの欠点がある。 フェデレートラーニング(Federated Learning)は、複数の分散デバイスがリモートで、協調的にモデルをトレーニングし、データのプライバシを保存するための人気のフレームワークである。 しかし、現在のフェデレートラーニングにおける提案は、スマートフォンなどの非専用デバイスで実装できないようなディープアーキテクチャに重点を置いている。 また、時間とともにデータ分布が予期せぬ方法で変化し、概念ドリフト(concept drift)と呼ばれる現象を引き起こすシナリオについてはほとんど研究されていない。 したがって、本研究では、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型アーキテクチャである、ライトフェデレーションおよび継続型コンセンサス(LFedCon2)を提示したい。 当社の手法では,スマートフォンやロボットなどの無力デバイスが,ローカル,継続的,自律的,あるいはユーザからリアルタイムに学習することができると同時に,クラウド上でのモデルの改善も実現している。 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。 この結果は、LFedCon2が他の最先端メソッドに対してもたらす利点を示している。

関連論文リスト

• 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)
• Federated Self-Supervised Learning in Heterogeneous Settings: Limits of a Baseline Approach on HAR [0.5039813366558306]
  我々は,標準軽量オートエンコーダと標準フェデレーション平均化が,人間の活動認識の堅牢な表現を学習できないことを示す。 これらの知見は、フェデレーション・セルフ・スーパーバイザード・ラーニングにおけるより集中的な研究努力を提唱している。
  論文  参考訳（メタデータ） (2022-07-17T14:15:45Z)
• Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
  スマートデバイスは環境から大量のデータを収集することができる。 このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。 そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T17:01:58Z)
• 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 Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
  近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。 これにより、FLを大規模に実装する際の通信コストの課題が提起される。
  論文  参考訳（メタデータ） (2020-04-06T15:31:54Z)

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。