論文の概要: Federated Learning-Based Risk-Aware Decision toMitigate Fake Task
Impacts on CrowdsensingPlatforms
- arxiv url: http://arxiv.org/abs/2101.01266v1
- Date: Mon, 4 Jan 2021 22:43:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 23:01:47.908362
- Title: Federated Learning-Based Risk-Aware Decision toMitigate Fake Task
Impacts on CrowdsensingPlatforms
- Title（参考訳）: フェデレートラーニングに基づくリスク意識決定による群集センシングプラットフォームにおけるフェイクタスクの影響軽減
- Authors: Zhiyan Chen, Murat Simsek, Burak Kantarci
- Abstract要約: モバイルクラウドセンシング(MCS)は、多数のモバイルスマートデバイスでセンサーを活用することで、分散および非専用センシングの概念を活用します。
MCSプラットフォームに偽の検知タスクを送信した悪意のあるユーザは、参加者のデバイスからリソースを消費しようとするかもしれない。
多数の独立した検出装置と集約エンティティを含む偽タスクを識別する手法が提案されている。
- 参考スコア（独自算出の注目度）: 9.925311092487851
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mobile crowdsensing (MCS) leverages distributed and non-dedicated sensing
concepts by utilizing sensors imbedded in a large number of mobile smart
devices. However, the openness and distributed nature of MCS leads to various
vulnerabilities and consequent challenges to address. A malicious user
submitting fake sensing tasks to an MCS platform may be attempting to consume
resources from any number of participants' devices; as well as attempting to
clog the MCS server. In this paper, a novel approach that is based on
horizontal federated learning is proposed to identify fake tasks that contain a
number of independent detection devices and an aggregation entity. Detection
devices are deployed to operate in parallel with each device equipped with a
machine learning (ML) module, and an associated training dataset. Furthermore,
the aggregation module collects the prediction results from individual devices
and determines the final decision with the objective of minimizing the
prediction loss. Loss measurement considers the lost task values with respect
to misclassification, where the final decision utilizes a risk-aware approach
where the risk is formulated as a function of the utility loss. Experimental
results demonstrate that using federated learning-driven illegitimate task
detection with a risk aware aggregation function improves the detection
performance of the traditional centralized framework. Furthermore, the higher
performance of detection and lower loss of utility can be achieved by the
proposed framework. This scheme can even achieve 100%detection accuracy using
small training datasets distributed across devices, while achieving slightly
over an 8% increase in detection improvement over traditional approaches.
- Abstract（参考訳）: モバイルクラウドセンシング(MCS)は、多数のモバイルスマートデバイスに埋め込まれたセンサを活用することで、分散および非専用センシングの概念を活用する。
しかし、MCSのオープン性と分散性は、様々な脆弱性や対処すべき課題をもたらす。
mcsプラットフォームに偽のセンシングタスクを提出する悪意のあるユーザは、多数の参加者のデバイスからリソースを消費しようとしているかもしれません。
本稿では,複数の独立検出デバイスと集約エンティティを含む偽のタスクを識別するために,水平フェデレーション学習に基づく新しい手法を提案する。
検出デバイスは、機械学習(ML)モジュールと関連するトレーニングデータセットを備えた各デバイスと並行して動作するようにデプロイされる。
さらに、アグリゲーションモジュールは、個々のデバイスから予測結果を収集し、予測損失を最小化する目的で最終決定を決定する。
損失測定は、誤分類に関して失われたタスク値を考慮し、最終決定は、リスクをユーティリティ損失の関数として定式化するリスク認識アプローチを利用する。
実験の結果,リスク認識アグリゲーション機能を用いたフェデレーション学習駆動非正規タスク検出により,従来の集中型フレームワークの検出性能が向上することが示された。
さらに,提案手法により,検出性能の向上と実用性低下を実現することができる。
このスキームは、デバイスに分散した小さなトレーニングデータセットを使用して100%検出精度を達成できる一方で、従来のアプローチよりも8%以上の検出改善を実現している。
関連論文リスト
- Semantic Meta-Split Learning: A TinyML Scheme for Few-Shot Wireless Image Classification [50.28867343337997]
本研究は,TinyMLを用いた無線画像分類のためのセマンティック・コミュニケーション・フレームワークを提案する。
我々は、プライバシ保護を確保しつつ、エンドユーザーによって実行される計算を制限するために分割学習を利用する。
メタ学習は、データ可用性の懸念を克服し、同様のトレーニングされたタスクを利用することで、トレーニングを高速化する。
論文 参考訳（メタデータ） (2024-09-03T05:56:55Z) - INTELLECT: Adapting Cyber Threat Detection to Heterogeneous Computing Environments [0.055923945039144884]
本稿では,IDSのための事前学習MLモデルと構成の動的適応のための結合パイプラインに,特徴選択,モデルプルーニング,微調整技術を統合する新しいソリューションであるINTELLECTを紹介する。
我々は,知識蒸留技術を微調整中に組み込むことの利点を実証し,MLモデルが歴史的知識を維持しつつ,局所的なネットワークパターンに一貫して適応できることを示す。
論文 参考訳（メタデータ） (2024-07-17T22:34:29Z) - Deep Learning-Based Approach for User Activity Detection with Grant-Free Random Access in Cell-Free Massive MIMO [0.8520624117635328]
本稿では,アクティビティ検出問題への教師付き機械学習モデルの適用について検討する。
本研究では, セルフリー・マス・マルチ入力多重出力(CF-mMIMO)ネットワークにおいて, ユーザアクティビティ検出に特化して設計されたデータ駆動アルゴリズムを提案する。
このアルゴリズムは99%の精度を達成し、実世界のアプリケーションで有効性を確認します。
論文 参考訳（メタデータ） (2024-06-11T11:08:33Z) - EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning [4.140068761522124]
本稿では,E-GraphSAGEに基づくEG-ConMix方式を提案する。
EG-ConMixは、大規模グラフのトレーニング速度と精度において大きな利点がある。
論文 参考訳（メタデータ） (2024-03-24T04:09:48Z) - 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) - Active Inference on the Edge: A Design Study [5.815300670677979]
アクティブ推論(アクティブ推論、英: Active Inference、ACI)とは、脳が知覚情報を常に予測し評価し、長期的サプライズを減らす方法を記述する神経科学の概念である。
我々は,ACIエージェントが要求を満たすことなく,最適化問題を迅速かつ追跡的に解決できたことを示す。
論文 参考訳（メタデータ） (2023-11-17T16:03:04Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Identity-Aware Attribute Recognition via Real-Time Distributed Inference
in Mobile Edge Clouds [53.07042574352251]
我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。
本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。
そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
論文 参考訳（メタデータ） (2020-08-12T12:03:27Z) - Training Data Set Assessment for Decision-Making in a Multiagent
Landmine Detection Platform [0.0]
地雷検出のような現実世界の問題は、意思決定の不確実性を減らすために複数の情報源を必要とする。
これらの問題を解決するための新しいアプローチには、この研究で示された分散システムが含まれる。
トレーニングセットと検証セット間のサンプル分布に対して,トレーニングシステムの性能を評価する。
論文 参考訳（メタデータ） (2020-04-11T12:05:30Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z)
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。