論文の概要: Federated Learning with Heterogeneous Labels and Models for Mobile Activity Monitoring

• arxiv url: http://arxiv.org/abs/2012.02539v1
• Date: Fri, 4 Dec 2020 11:44:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:37:01.471894
• Title: Federated Learning with Heterogeneous Labels and Models for Mobile Activity Monitoring
• Title（参考訳）: 不均一ラベルを用いたフェデレーション学習と移動活動モニタリングモデル
• Authors: Gautham Krishna Gudur, Satheesh K. Perepu
• Abstract要約: デバイス上でのフェデレーション学習は、分散的で協調的な機械学習に効果的なアプローチであることが証明されている。 本稿では,複数の活動にまたがる重なり合う情報ゲインを利用したラベルに基づくアグリゲーションのためのフレームワークを提案する。 Raspberry Pi 2上のHeterogeneity Human Activity Recognition (HHAR)データセットによる経験的評価は、決定論的精度が少なくとも11.01%向上したことを示している。
• 参考スコア（独自算出の注目度）: 0.7106986689736827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various health-care applications such as assisted living, fall detection, etc., require modeling of user behavior through Human Activity Recognition (HAR). Such applications demand characterization of insights from multiple resource-constrained user devices using machine learning techniques for effective personalized activity monitoring. On-device Federated Learning proves to be an effective approach for distributed and collaborative machine learning. However, there are a variety of challenges in addressing statistical (non-IID data) and model heterogeneities across users. In addition, in this paper, we explore a new challenge of interest -- to handle heterogeneities in labels (activities) across users during federated learning. To this end, we propose a framework for federated label-based aggregation, which leverages overlapping information gain across activities using Model Distillation Update. We also propose that federated transfer of model scores is sufficient rather than model weight transfer from device to server. Empirical evaluation with the Heterogeneity Human Activity Recognition (HHAR) dataset (with four activities for effective elucidation of results) on Raspberry Pi 2 indicates an average deterministic accuracy increase of at least ~11.01%, thus demonstrating the on-device capabilities of our proposed framework.
• Abstract（参考訳）: 生活支援,転倒検出などの様々な医療応用には,HAR(Human Activity Recognition)によるユーザ行動のモデル化が必要である。 このようなアプリケーションは、効果的なパーソナライズアクティビティモニタリングのために機械学習技術を使用して、複数のリソースに制約されたユーザーデバイスからの洞察のキャラクタリゼーションを要求する。 デバイス上の連合学習は、分散および協調機械学習にとって効果的なアプローチであることが証明されている。 しかし、統計(非IIDデータ)とユーザ間の不均一性をモデル化する上で、さまざまな課題がある。 さらに,本論文では,連合学習中にユーザ間のラベル(アクティビティ)の不均一性を扱うための,新たな関心課題について検討する。 そこで本稿では, モデル蒸留更新を用いて, 重なり合う情報ゲインを利用する, ラベルに基づくアグリゲーションのためのフレームワークを提案する。 また,デバイスからサーバへのモデルウェイト転送よりも,モデルスコアのフェデレーション転送が十分であることを示す。 raspberry pi 2のhhar(hetergeneity human activity recognition)データセットによる経験的評価は、平均決定論的精度が少なくとも11.01%上昇していることを示し、提案フレームワークのオンデバイス能力を示している。

関連論文リスト

• Private Data Leakage in Federated Human Activity Recognition for Wearable Healthcare Devices [6.422056036165425]
  複数のウェアラブルデバイスにまたがるフェデレーションされたユーザ行動認識モデルにおけるプライバシー漏洩問題について検討する。 提案システムでは,N$のウェアラブルデバイスユーザとパラメータサーバで構成されるフェデレーション学習アーキテクチャを提案する。 5つの公開HARデータセットで実施された実験では、悪意のあるサーバベースのメンバシップ推論の精度が92%であることが示されている。
  論文  参考訳（メタデータ） (2024-05-14T07:43:22Z)
• Robust Activity Recognition for Adaptive Worker-Robot Interaction using Transfer Learning [0.0]
  本稿では,建設労働者の行動認識のための伝達学習手法を提案する。 開発したアルゴリズムは、オリジナルの著者によって事前訓練されたモデルから特徴を伝達し、それらを下流のアクティビティ認識タスクのために微調整する。 その結果, 微調整モデルでは, 異なるMMHタスクを頑健かつ適応的に認識できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-28T19:03:46Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning [0.688204255655161]
  SelfActは、ウェアラブルおよびモバイルデバイス上でのヒューマンアクティビティ認識(HAR)のための新しいフレームワークである。 自己教師とアクティブな学習を組み合わせることで、アクティビティ実行のイントラやインターバリアビリティといった問題を軽減します。 公開されている2つのHARデータセットに関する実験は、SelfActが完全に教師付きアプローチのそれに近い、あるいはそれ以上の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-19T09:39:11Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• Resource-Constrained Federated Learning with Heterogeneous Labels and Models [1.4824891788575418]
  本稿では,ラベル間の重なり合う情報ゲインを利用する,単純な$alpha$-weighted federated aggregates of scoresを提案する。 また、Raspberry Pi 2で異なるイテレーションをまたいだフェデレーション学習と推論を実験することで、提案フレームワークのオンデバイス機能を示す。
  論文  参考訳（メタデータ） (2020-11-06T06:23:47Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。