論文の概要: Fusion of Federated Learning and Industrial Internet of Things: A Survey
- arxiv url: http://arxiv.org/abs/2101.00798v1
- Date: Mon, 4 Jan 2021 06:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 22:53:13.474492
- Title: Fusion of Federated Learning and Industrial Internet of Things: A Survey
- Title（参考訳）: 連合学習と産業用モノのインターネットの融合:調査
- Authors: Parimala M and Swarna Priya R M and Quoc-Viet Pham and Kapal Dev and
Praveen Kumar Reddy Maddikunta and Thippa Reddy Gadekallu and Thien Huynh-The
- Abstract要約: 産業モノのインターネット(IIoT)は産業4.0の概念のための新しいパラダイムを構築し、新しい産業時代のための洞察を与えます。
スマートマシンとスマートファクトリは、インテリジェンス獲得に機械学習/ディープラーニングベースのモデルを使用する。
この問題を解決するために、フェデレーションラーニング(FL)技術がIIoTに実装され、研究者は安全、正確、堅牢、および偏見のないモデルを提供しています。
- 参考スコア（独自算出の注目度）: 4.810675235074399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial Internet of Things (IIoT) lays a new paradigm for the concept of
Industry 4.0 and paves an insight for new industrial era. Nowadays smart
machines and smart factories use machine learning/deep learning based models
for incurring intelligence. However, storing and communicating the data to the
cloud and end device leads to issues in preserving privacy. In order to address
this issue, federated learning (FL) technology is implemented in IIoT by the
researchers nowadays to provide safe, accurate, robust and unbiased models.
Integrating FL in IIoT ensures that no local sensitive data is exchanged, as
the distribution of learning models over the edge devices has become more
common with FL. Therefore, only the encrypted notifications and parameters are
communicated to the central server. In this paper, we provide a thorough
overview on integrating FL with IIoT in terms of privacy, resource and data
management. The survey starts by articulating IIoT characteristics and
fundamentals of distributive and FL. The motivation behind integrating IIoT and
FL for achieving data privacy preservation and on-device learning are
summarized. Then we discuss the potential of using machine learning, deep
learning and blockchain techniques for FL in secure IIoT. Further we analyze
and summarize the ways to handle the heterogeneous and huge data. Comprehensive
background on data and resource management are then presented, followed by
applications of IIoT with FL in healthcare and automobile industry. Finally, we
shed light on challenges, some possible solutions and potential directions for
future research.
- Abstract（参考訳）: industrial internet of things (iiot) は、産業 4.0という概念の新しいパラダイムを定め、新しい産業時代への洞察を与えている。
現在、スマートマシンとスマートファクトリは、インテリジェンス獲得に機械学習/ディープラーニングベースのモデルを使用している。
しかし、データをクラウドやエンドデバイスに保存し、通信することは、プライバシの保護に問題を引き起こす。
この問題に対処するために、フェデレートドラーニング(FL)技術は、現在研究者によってIIoTで実装されており、安全で正確で堅牢で偏りのないモデルを提供している。
IIoTにおけるFLの統合により、エッジデバイス上の学習モデルの分布がFLとより一般的になったため、ローカルなセンシティブなデータが交換されないことが保証される。
したがって、暗号化された通知とパラメータのみを中央サーバに通信する。
本稿では,プライバシ,リソース,データ管理の観点から,flとiotの統合について概説する。
調査は、IIoTの特徴と流通とFLの基礎を明確にすることから始まる。
データプライバシ保護とデバイス上での学習を実現するためにIIoTとFLを統合する動機を要約する。
次に、セキュアIIoTにおけるFLのための機械学習、ディープラーニング、ブロックチェーン技術の使用の可能性について論じる。
さらに,ヘテロジニアスデータと巨大なデータを扱う方法を分析し,要約する。
データとリソース管理に関する総合的なバックグラウンドが提示され、続いて医療と自動車産業におけるIIoTとFLの応用が紹介される。
最後に、今後の研究の課題、いくつかの可能な解決策、潜在的な方向性について光を当てた。
関連論文リスト
- Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。
Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。
Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。
SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文 参考訳（メタデータ） (2024-05-01T14:59:24Z) - Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - Federated Learning on Edge Sensing Devices: A Review [0.0]
プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。
FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。
また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
論文 参考訳（メタデータ） (2023-11-02T12:55:26Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳（メタデータ） (2023-10-04T20:27:20Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - 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) - Edge-Native Intelligence for 6G Communications Driven by Federated
Learning: A Survey of Trends and Challenges [14.008159759350264]
FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。
FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。
本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
論文 参考訳（メタデータ） (2021-11-14T17:13:34Z) - Federated Learning for Industrial Internet of Things in Future
Industries [106.13524161081355]
産業用IoT(Industrial Internet of Things)は,産業用システムの運用を変革する有望な機会を提供する。
近年、人工知能(AI)はインテリジェントIIoTアプリケーションの実現に広く利用されている。
フェデレートラーニング(FL)は、複数のIIoTデバイスとマシンを協調して、ネットワークエッジでAIトレーニングを実行することで、インテリジェントなIIoTネットワークにとって特に魅力的である。
論文 参考訳（メタデータ） (2021-05-31T01:02:59Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - Federated Learning for Resource-Constrained IoT Devices: Panoramas and
State-of-the-art [12.129978716326676]
我々は最近実装されたフェデレートラーニングの現実的な応用をいくつか紹介する。
大規模ネットワークでは、様々な計算資源を持つクライアントが存在するかもしれない。
FL領域における資源制約装置の今後の方向性を強調した。
論文 参考訳（メタデータ） (2020-02-25T01:03:29Z)
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。