Fugu-MT 論文翻訳(概要): Adaptive Federated Learning and Digital Twin for Industrial Internet of Things

論文の概要: Adaptive Federated Learning and Digital Twin for Industrial Internet of Things

arxiv url: http://arxiv.org/abs/2010.13058v2
Date: Sun, 1 Nov 2020 02:53:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 05:05:30.943511
Title: Adaptive Federated Learning and Digital Twin for Industrial Internet of Things
Title（参考訳）: 産業用iotのための適応型連合学習とデジタルツイン
Authors: Wen Sun, Shiyu Lei, Lu Wang, Zhiqiang Liu, and Yan Zhang
Abstract要約: 産業用IoT(Industrial Internet of Things)は、動的およびリアルタイムな産業用デバイスによって異なる分散インテリジェントサービスを可能にし、Industrial 4.0のメリットを享受する。我々は,デジタル双生児が産業機器の特徴を捉え,連合学習を支援する,デジタル双生児による産業用IoTの新たなアーキテクチャを検討する。ディジタル双生児はデバイス状態の実際の値から推定偏差をもたらす可能性があることに気付き、フェデレーション学習において信頼に基づく集約を提案し、そのような偏差の影響を軽減する。
参考スコア（独自算出の注目度）: 15.102870055701123
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial Internet of Things (IoT) enables distributed intelligent services varying with the dynamic and realtime industrial devices to achieve Industry 4.0 benefits. In this paper, we consider a new architecture of digital twin empowered Industrial IoT where digital twins capture the characteristics of industrial devices to assist federated learning. Noticing that digital twins may bring estimation deviations from the actual value of device state, a trusted based aggregation is proposed in federated learning to alleviate the effects of such deviation. We adaptively adjust the aggregation frequency of federated learning based on Lyapunov dynamic deficit queue and deep reinforcement learning, to improve the learning performance under the resource constraints. To further adapt to the heterogeneity of Industrial IoT, a clustering-based asynchronous federated learning framework is proposed. Numerical results show that the proposed framework is superior to the benchmark in terms of learning accuracy, convergence, and energy saving.
Abstract（参考訳）: 産業用iot(industrial internet of things)は、動的およびリアルタイムの産業用デバイスで異なる分散インテリジェントサービスを実現する。本稿では,デジタル双生児が産業機器の特徴を捉え,連携学習を支援する,デジタル双生児による産業用IoTの新しいアーキテクチャについて考察する。ディジタル双生児はデバイス状態の実際の値から推定偏差をもたらす可能性があることに気付き、フェデレーション学習において信頼に基づく集約を提案し、そのような偏差の影響を軽減する。 lyapunov動的欠陥キューと深層強化学習に基づいて,連合学習の集約頻度を適応的に調整し,資源制約下での学習性能を向上させる。産業用iotの多様性にさらに適応するために,クラスタリングに基づく非同期フェデレーション学習フレームワークを提案する。提案手法は, 学習精度, 収束度, 省エネルギーの点で, ベンチマークよりも優れていることを示す。

関連論文リスト

Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文参考訳（メタデータ） (2024-08-02T10:47:10Z)
Augmenting the FedProx Algorithm by Minimizing Convergence [0.0]
我々はGフェデレーション・プロクシミティ(G Federated Proximity)と呼ばれる新しいアプローチを提案する。以上の結果から,既存のモデル性能と比較して,スループットが約90%向上していることが示唆された。
論文参考訳（メタデータ） (2024-06-02T14:01:55Z)
Advancing IIoT with Over-the-Air Federated Learning: The Role of Iterative Magnitude Pruning [14.818439341517733]
産業用IoT(Industrial Internet of Things, IIoT)は、産業用4.0で、相互接続型スマートデバイスの時代を象徴している。 FL(Federated Learning)は、デバイス間のデータプライバシとセキュリティに対処する。 FLは、機密データを明示的に共有することなく、エッジセンサーがデータをローカルで学習し、適応することを可能にする。
論文参考訳（メタデータ） (2024-03-21T04:15:56Z)
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)
Give and Take: Federated Transfer Learning for Industrial IoT Network Intrusion Detection [3.7498611358320733]
IIoTネットワーク侵入検出のためのフェデレートトランスファーラーニング(FTL)手法を提案する。本研究の一環として,FTLの実行の中心となる組み合わせ型ニューラルネットワークを提案する。結果は、IIoTクライアントとサーバの両方のイテレーション間のFTLセットアップのパフォーマンスを示している。
論文参考訳（メタデータ） (2023-10-11T10:11:54Z)
HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文参考訳（メタデータ） (2022-11-07T04:33:24Z)
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)
Data Heterogeneity-Robust Federated Learning via Group Client Selection in Industrial IoT [57.67687126339891]
FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
論文参考訳（メタデータ） (2022-02-03T10:48:17Z)
Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文参考訳（メタデータ） (2021-10-28T08:14:57Z)
Distributed Learning for Time-varying Networks: A Scalable Design [13.657740129012804]
本稿では,スケーラブルなディープニューラルネットワーク(DNN)設計に基づく分散学習フレームワークを提案する。学習タスクの置換等価性と不変性を利用することで、異なるスケールのクライアントに対して異なるスケールのDNNを構築することができる。モデルアグリゲーションはこれらの2つのサブマトリクスに基づいて行うことができ、学習の収束と性能を改善することができる。
論文参考訳（メタデータ） (2021-07-31T12:44:28Z)

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。