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
- 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) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - 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) - FedVLN: Privacy-preserving Federated Vision-and-Language Navigation [13.490583662839729]
VLN(Vision-and-Language Navigation)タスクのためのプライバシー保護型エージェント学習を導入する。
私たちは、各住宅環境をローカルクライアントとみなし、クラウドサーバや他のクライアントとローカルアップデート以外の何も共有していません。
本稿では,各クライアントのデータをそのローカルモデルトレーニングに限定する分散トレーニング戦略と,未確認環境に対するモデル一般化性を改善するためのフェデレーション事前探索手法を提案する。
論文 参考訳(メタデータ) (2022-03-28T17:43:35Z) - 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) - A Deep Transfer Learning-based Edge Computing Method for Home Health
Monitoring [20.17535790986831]
家庭の健康監視は、家庭の健康サービスの非侵襲的なサブエリアです。
事前訓練された畳み込みニューラルネットワークベースのモデルは、少量のグラウンドラベル付きデータでエッジデバイスを活用することができる。
RGB、深度、またはサーマルセンサーでキャプチャされたビジュアルデータのオンサイトコンピューティングは、手頃な価格で可能です。
論文 参考訳(メタデータ) (2021-04-28T17:01:41Z) - 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) - When Healthcare Meets Off-the-Shelf WiFi: A Non-Wearable and Low-Costs
Approach for In-Home Monitoring [6.082774743804399]
政府は、高齢者の快適さと自立性を確保しつつ、医療サービスの質を低コストで向上させる必要がある。
本研究は、市販のWiFiをベースとした家庭内モニタリング手法を提案する。
提案手法は,壁面からでも細かな人間のポーズ像を捉え,市販のWiFiデバイスで同時に詳細な呼吸状態を追跡する。
論文 参考訳(メタデータ) (2020-09-21T09:35:13Z) - 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。