論文の概要: New Directions in Distributed Deep Learning: Bringing the Network at Forefront of IoT Design

• arxiv url: http://arxiv.org/abs/2008.10805v1
• Date: Tue, 25 Aug 2020 04:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 02:59:18.283479
• Title: New Directions in Distributed Deep Learning: Bringing the Network at Forefront of IoT Design
• Title（参考訳）: 分散ディープラーニングの新たな方向性:IoT設計の最前線にネットワークをもたらす
• Authors: Kartikeya Bhardwaj, Wei Chen, Radu Marculescu
• Abstract要約: ハードウェアに制約のあるIoTデバイス、IoT時代のデータセキュリティとプライバシ、複数のIoTデバイスにまたがる分散推論のためのネットワーク対応のディープラーニングアルゴリズムの欠如。 上記の研究の方向性は、エッジインテリジェンスを実現するためにネットワーク中心のアプローチが必要であり、従って、IoTの真の可能性を完全に活用している、と私たちは信じています。
• 参考スコア（独自算出の注目度）: 20.273836530269577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we first highlight three major challenges to large-scale adoption of deep learning at the edge: (i) Hardware-constrained IoT devices, (ii) Data security and privacy in the IoT era, and (iii) Lack of network-aware deep learning algorithms for distributed inference across multiple IoT devices. We then provide a unified view targeting three research directions that naturally emerge from the above challenges: (1) Federated learning for training deep networks, (2) Data-independent deployment of learning algorithms, and (3) Communication-aware distributed inference. We believe that the above research directions need a network-centric approach to enable the edge intelligence and, therefore, fully exploit the true potential of IoT.
• Abstract（参考訳）: 本稿では,最先端のディープラーニングを大規模に導入する上で,まず3つの課題を取り上げる。 (i)ハードウェアに制約のあるIoTデバイス (II)IoT時代のデータセキュリティとプライバシ (iii)複数のIoTデバイスにまたがる分散推論のためのネットワーク対応ディープラーニングアルゴリズムの欠如。 次に,(1)深層ネットワーク学習のための連合学習,(2)学習アルゴリズムのデータ非依存展開,(3)コミュニケーションを意識した分散推論という3つの課題から自然に出現する3つの研究方向を対象とした統一的視点を提案する。 上記の研究の方向性は、エッジインテリジェンスを実現するためにネットワーク中心のアプローチが必要であり、そのため、IoTの真の可能性を完全に活用する、と私たちは考えています。

関連論文リスト

• A Systematic Mapping Study on SDN Controllers for Enhancing Security in IoT Networks [0.0]
  SDNコントローラを用いたIoTネットワークのセキュリティ向上に関する現在の知見をレビューする。 IoTネットワークのセキュア化に一般的に使用されるSDNコントローラアーキテクチャは,集中型コントローラアーキテクチャである,と我々は結論付けている。
  論文  参考訳（メタデータ） (2024-08-02T14:44:15Z)
• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey [0.0]
  IoT(Internet of Things)は前例のない成長を遂げ、相互接続されたデバイスからの多様なネットワークトラフィックが大量に流入している。 このネットワークトラフィックを効果的に分類することは、リソース割り当ての最適化、セキュリティ対策の強化、IoTシステムにおける効率的なネットワーク管理の確保に不可欠である。 ディープラーニングは、生データから複雑なパターンや表現を自動的に学習する能力のために、ネットワークトラフィック分類の強力なテクニックとして登場した。
  論文  参考訳（メタデータ） (2024-02-01T14:33:24Z)
• 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)
• Towards Artificial General Intelligence (AGI) in the Internet of Things (IoT): Opportunities and Challenges [55.82853124625841]
  人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。 本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。 AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
  論文  参考訳（メタデータ） (2023-09-14T05:43:36Z)
• Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network [0.0]
  モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。 IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。 本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-07-16T11:12:32Z)
• Deep Transfer Learning: A Novel Collaborative Learning Model for Cyberattack Detection Systems in IoT Networks [17.071452978622123]
  フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。 FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。 このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
  論文  参考訳（メタデータ） (2021-12-02T05:26:29Z)
• 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)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。