Fugu-MT 論文翻訳(概要): Semi-supervised Federated Learning for Activity Recognition

論文の概要: Semi-supervised Federated Learning for Activity Recognition

arxiv url: http://arxiv.org/abs/2011.00851v3
Date: Wed, 31 Mar 2021 10:47:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 11:03:07.606504
Title: Semi-supervised Federated Learning for Activity Recognition
Title（参考訳）: 半教師付き連合学習による行動認識
Authors: Yuchen Zhao, Hanyang Liu, Honglin Li, Payam Barnaghi, Hamed Haddadi
Abstract要約: 家庭内のIoTセンサデータに基づくディープラーニングモデルのトレーニングは、一般的に、人間の活動を認識するために使用される。近年,エッジデバイスをクライアントとして利用し,ローカルな人間活動認識を支援するフェデレーション学習システムが出現している。半教師付きフェデレーション学習を用いた行動認識システムを提案する。
参考スコア（独自算出の注目度）: 9.720890017788676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Training deep learning models on in-home IoT sensory data is commonly used to recognise human activities. Recently, federated learning systems that use edge devices as clients to support local human activity recognition have emerged as a new paradigm to combine local (individual-level) and global (group-level) models. This approach provides better scalability and generalisability and also offers better privacy compared with the traditional centralised analysis and learning models. The assumption behind federated learning, however, relies on supervised learning on clients. This requires a large volume of labelled data, which is difficult to collect in uncontrolled IoT environments such as remote in-home monitoring. In this paper, we propose an activity recognition system that uses semi-supervised federated learning, wherein clients conduct unsupervised learning on autoencoders with unlabelled local data to learn general representations, and a cloud server conducts supervised learning on an activity classifier with labelled data. Our experimental results show that using a long short-term memory autoencoder and a Softmax classifier, the accuracy of our proposed system is higher than that of both centralised systems and semi-supervised federated learning using data augmentation. The accuracy is also comparable to that of supervised federated learning systems. Meanwhile, we demonstrate that our system can reduce the number of needed labels and the size of local models, and has faster local activity recognition speed than supervised federated learning does.
Abstract（参考訳）: 家庭内iotセンサデータによるディープラーニングモデルのトレーニングは、人間のアクティビティを認識するために一般的に使用される。近年、エッジデバイスをクライアントとして使用してローカルなヒューマンアクティビティ認識をサポートする連合学習システムが、ローカル(個人レベル)とグローバル(グループレベル)モデルを組み合わせた新しいパラダイムとして登場した。このアプローチはスケーラビリティと汎用性を向上し、従来の集中型分析と学習モデルよりも優れたプライバシを提供する。しかし、連合学習の背景にある仮定は、クライアントによる教師付き学習に依存している。これは大量のラベル付きデータを必要とするため、リモートホーム監視など、コントロールされていないIoT環境での収集が困難である。本稿では,半教師付きフェデレーション学習を用いたアクティビティ認識システムを提案する。クライアントはラベルなしのローカルデータを持つオートエンコーダで教師なし学習を行い,クラウドサーバはラベル付きデータを持つアクティビティ分類器で教師なし学習を行う。実験の結果, 短期記憶オートエンコーダとソフトマックス分類器を用いて, 提案するシステムの精度は, 集中型システムと半教師付き連合学習の両方よりも高いことがわかった。精度は教師付き連合学習システムにも匹敵する。一方,本システムでは,必要なラベル数やローカルモデルのサイズを削減できることを示すとともに,教師付きフェデレーション学習よりも高速な局所活動認識速度を実現する。

関連論文リスト

Self-Supervised Learning for User Localization [8.529237718266042]
機械学習技術は、ローカライゼーションタスクにおいて顕著な精度を示している。大量のラベル付きデータ、特にChannel State Information(CSI)およびそれに対応する座標への依存は、依然としてボトルネックである。 CSIに基づくユーザローカライゼーションのための教師付き学習性能を高めるために,ラベルなしデータによる自己教師付き事前学習を活用する先駆的手法を提案する。
論文参考訳（メタデータ） (2024-04-19T21:49:10Z)
Reinforcement Learning Based Multi-modal Feature Fusion Network for Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文参考訳（メタデータ） (2023-08-26T07:55:32Z)
Network Anomaly Detection Using Federated Learning [0.483420384410068]
我々は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入する。複数の参加者が共同でグローバルモデルをトレーニングするフェデレーション学習を活用します。提案手法はUNSW-NB15データセットのベースライン機械学習手法よりも優れている。
論文参考訳（メタデータ） (2023-03-13T20:16:30Z)
Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
論文参考訳（メタデータ） (2022-11-24T13:08:43Z)
Evaluation and comparison of federated learning algorithms for Human Activity Recognition on smartphones [0.5039813366558306]
フェデレートラーニング(FL)は、ローカルデバイスの使用を促進する新しい機械学習パラダイムとして導入された。本稿では,FedDistと呼ばれる新しいFLアルゴリズムを提案する。その結果、FedDistが異種データに適応できることと、FLが非同期な状況に対処できることが示されている。
論文参考訳（メタデータ） (2022-10-30T18:47:23Z)
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)
Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文参考訳（メタデータ） (2022-02-17T02:01:37Z)
Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文参考訳（メタデータ） (2021-02-14T05:36:25Z)
CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
論文参考訳（メタデータ） (2020-12-15T12:20:28Z)
Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
論文参考訳（メタデータ） (2020-07-25T21:59:17Z)
Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
ディープラーニングは多くのコンピュータビジョンタスクで成功している。しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
論文参考訳（メタデータ） (2020-06-07T13:32:33Z)

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。