論文の概要: A Federated Learning Approach to Anomaly Detection in Smart Buildings

• arxiv url: http://arxiv.org/abs/2010.10293v3
• Date: Wed, 23 Jun 2021 20:16:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 07:21:34.904447
• Title: A Federated Learning Approach to Anomaly Detection in Smart Buildings
• Title（参考訳）: スマートビルにおける異常検出のための連合学習手法
• Authors: Raed Abdel Sater and A. Ben Hamza
• Abstract要約: マルチタスク学習パラダイムを活用することにより,連合学習環境における異常検出問題を定式化する。 本稿では,LSTMモデルを用いた新しいプライバシ・バイ・デザイン・フェデレーション学習モデルを提案する。 集中型LSTMに比べてトレーニング収束時の2倍以上の速さであることが実証された。
• 参考スコア（独自算出の注目度）: 5.177947445379688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) sensors in smart buildings are becoming increasingly ubiquitous, making buildings more livable, energy efficient, and sustainable. These devices sense the environment and generate multivariate temporal data of paramount importance for detecting anomalies and improving the prediction of energy usage in smart buildings. However, detecting these anomalies in centralized systems is often plagued by a huge delay in response time. To overcome this issue, we formulate the anomaly detection problem in a federated learning setting by leveraging the multi-task learning paradigm, which aims at solving multiple tasks simultaneously while taking advantage of the similarities and differences across tasks. We propose a novel privacy-by-design federated learning model using a stacked long short-time memory (LSTM) model, and we demonstrate that it is more than twice as fast during training convergence compared to the centralized LSTM. The effectiveness of our federated learning approach is demonstrated on three real-world datasets generated by the IoT production system at General Electric Current smart building, achieving state-of-the-art performance compared to baseline methods in both classification and regression tasks. Our experimental results demonstrate the effectiveness of the proposed framework in reducing the overall training cost without compromising the prediction performance.
• Abstract（参考訳）: スマートな建物におけるIoT(Internet of Things)センサーはますます普及しており、建物をより生き生きとエネルギー効率を良くし、持続可能なものにしている。 これらの装置は環境を感知し、スマートビルにおける異常の検出とエネルギー使用量の予測を改善するため、最重要度の多変量時間データを生成する。 しかしながら、中央システムにおけるこれらの異常の検出は、応答時間の大幅な遅延によってしばしば悩まされる。 本研究では,タスク間の類似性と差異を生かしつつ,複数のタスクを同時に解決することを目的としたマルチタスク学習パラダイムを活用して,連合学習環境における異常検出問題を定式化する。 本論文では,lstm(stacked long short-time memory)モデルを用いた,新しいプライバシ・バイ・デザインのフェデレーション学習モデルを提案する。 当社のフェデレーション学習手法の有効性を,一般電流スマートビルディングにおけるiot生産システムによって生成された3つの実世界データセットを用いて実証した。 本研究は,予測性能を損なうことなく,総合的なトレーニングコストを削減するためのフレームワークの有効性を示す。

関連論文リスト

• Normalization and effective learning rates in reinforcement learning [52.59508428613934]
  正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。 正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。 そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T20:58:01Z)
• 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)
• GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation [19.371155159744934]
  実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。 時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。 伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。 対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
  論文  参考訳（メタデータ） (2023-11-24T08:15:11Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
  エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。 提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。 収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T16:46:45Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Unsupervised Monocular Depth Learning with Integrated Intrinsics and Spatio-Temporal Constraints [61.46323213702369]
  本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。 本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
  論文  参考訳（メタデータ） (2020-11-02T22:26:58Z)
• Towards Smart Sustainable Cities: Addressing semantic heterogeneity in building management systems using discriminative models [0.0]
  ビル管理システム(BMS)は、スマートサステナブルな都市への推進に不可欠である。 本稿では,機械学習モデルを用いてIoTデバイスのセマンティクスを推定する問題に対処する。 本研究は,画像符号化時系列(IETS)が統計的特徴量に基づく推論手法の頑健な代替となる可能性を明らかにする。
  論文  参考訳（メタデータ） (2020-08-17T15:39:11Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)

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。