論文の概要: FedHome: Cloud-Edge based Personalized Federated Learning for In-Home Health Monitoring

• arxiv url: http://arxiv.org/abs/2012.07450v1
• Date: Mon, 14 Dec 2020 12:04:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:37:46.847206
• Title: FedHome: Cloud-Edge based Personalized Federated Learning for In-Home Health Monitoring
• Title（参考訳）: FedHome: 家庭内健康モニタリングのためのクラウドエッジベースの個人化フェデレーション学習
• Authors: Qiong Wu and Xu Chen and Zhi Zhou and Junshan Zhang
• Abstract要約: 在宅健康モニタリングは、世界中の高齢層に大きな注目を集めている。 既存の家庭内健康モニタリングのアプローチは、ユーザのデータプライバシに十分な注意を払わない。 FedHomeは、家庭内健康モニタリングのための新しいクラウドエッジのフェデレーション学習フレームワークです。
• 参考スコア（独自算出の注目度）: 39.36361256682276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-home health monitoring has attracted great attention for the ageing population worldwide. With the abundant user health data accessed by Internet of Things (IoT) devices and recent development in machine learning, smart healthcare has seen many successful stories. However, existing approaches for in-home health monitoring do not pay sufficient attention to user data privacy and thus are far from being ready for large-scale practical deployment. In this paper, we propose FedHome, a novel cloud-edge based federated learning framework for in-home health monitoring, which learns a shared global model in the cloud from multiple homes at the network edges and achieves data privacy protection by keeping user data locally. To cope with the imbalanced and non-IID distribution inherent in user's monitoring data, we design a generative convolutional autoencoder (GCAE), which aims to achieve accurate and personalized health monitoring by refining the model with a generated class-balanced dataset from user's personal data. Besides, GCAE is lightweight to transfer between the cloud and edges, which is useful to reduce the communication cost of federated learning in FedHome. Extensive experiments based on realistic human activity recognition data traces corroborate that FedHome significantly outperforms existing widely-adopted methods.
• Abstract（参考訳）: 在宅健康モニタリングは、世界中の高齢層に大きな注目を集めている。 IoT(Internet of Things)デバイスによってアクセスされる豊富なユーザヘルスデータと、マシンラーニングの最近の開発により、スマートヘルスケアは多くの成功談を目にしている。 しかし、既存の家庭内健康モニタリングのアプローチは、ユーザのデータプライバシーに十分な注意を払わず、大規模な実践的なデプロイの準備が整うには程遠い。 本稿では,ネットワークエッジの複数の家庭からクラウド上の共有グローバルモデルを学び,ユーザデータをローカルに保持することでデータのプライバシ保護を実現する,家庭内健康モニタリングのための新しいクラウドエッジベースのフェデレーション学習フレームワークfeedhomeを提案する。 ユーザのモニタリングデータに固有の不均衡および非IID分布に対処するため,ユーザの個人データから生成されたクラスバランスデータセットを用いてモデルを精査し,正確かつパーソナライズされた健康モニタリングを実現するための生成畳み込みオートエンコーダ(GCAE)を設計する。 さらに、GCAEはクラウドとエッジ間の転送も軽量で、フェデレート学習の通信コストを削減するのに役立ちます。 リアルな人間の行動認識データに基づく大規模な実験は、FedHomeが既存の広く研究されている手法を著しく上回っていることを裏付ける。

関連論文リスト

• Lancelot: Towards Efficient and Privacy-Preserving Byzantine-Robust Federated Learning within Fully Homomorphic Encryption [10.685816010576918]
  我々は,データプライバシを保ちながら悪意あるクライアント活動を保護するために,完全同型暗号化(FHE)を利用する,革新的で計算効率のよいBRFLフレームワークであるLancelotを提案する。 医用画像診断や広く使われている公開画像データセットを含む大規模なテストでは、Lancelotが既存の手法を著しく上回り、データのプライバシを維持しながら、処理速度を20倍以上に向上させています。
  論文  参考訳（メタデータ） (2024-08-12T14:48:25Z)
• Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
  新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。 フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。 本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
  論文  参考訳（メタデータ） (2024-06-08T16:36:48Z)
• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• 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)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• A Review of Privacy-preserving Federated Learning for the Internet-of-Things [3.3517146652431378]
  この研究は、分散データ上で機械学習を実行するためのアプローチとして、フェデレーション学習をレビューした。 ユーザ生成データのプライバシ保護と,データ転送に伴う通信コストの削減を目的としている。 フェデレート学習に適用される様々な手法の長所と短所を同定する。
  論文  参考訳（メタデータ） (2020-04-24T15:27:23Z)

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。