論文の概要: Federated Learning in Smart Cities: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2102.01375v1
• Date: Tue, 2 Feb 2021 08:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 10:04:38.244050
• Title: Federated Learning in Smart Cities: A Comprehensive Survey
• Title（参考訳）: スマートシティにおける連合学習:包括的調査
• Authors: Zhaohua Zheng, Yize Zhou, Yilong Sun, Zhang Wang, Boyi Liu and Keqiu Li
• Abstract要約: スマートシティのプロセスでは,フェデレートラーニングが重要な役割を担っている。 ビッグデータと人工知能の開発により、このプロセスではデータのプライバシ保護が問題となる。 本稿では,スマートシティの様々な分野におけるフェデレーション学習の適用に関する最新の研究を要約する。
• 参考スコア（独自算出の注目度）: 8.500672662387688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning plays an important role in the process of smart cities. With the development of big data and artificial intelligence, there is a problem of data privacy protection in this process. Federated learning is capable of solving this problem. This paper starts with the current developments of federated learning and its applications in various fields. We conduct a comprehensive investigation. This paper summarize the latest research on the application of federated learning in various fields of smart cities. In-depth understanding of the current development of federated learning from the Internet of Things, transportation, communications, finance, medical and other fields. Before that, we introduce the background, definition and key technologies of federated learning. Further more, we review the key technologies and the latest results. Finally, we discuss the future applications and research directions of federated learning in smart cities.
• Abstract（参考訳）: 連合学習はスマートシティのプロセスにおいて重要な役割を果たす。 ビッグデータと人工知能の開発により、このプロセスではデータのプライバシ保護が問題となる。 フェデレーション学習はこの問題を解くことができる。 本稿では,様々な分野における連合学習とその応用の現況から始める。 我々は総合的な調査を行う。 本稿では,スマートシティの様々な分野におけるフェデレーション学習の適用に関する最新の研究をまとめる。 モノのインターネット、輸送、通信、金融、医療、その他の分野からの連合学習の現在の発展に関する深い理解。 その前に,フェデレーション学習の背景,定義,キー技術を紹介する。 さらに、重要な技術と最新の結果についてレビューする。 最後に,スマートシティにおける連合学習の今後の応用と研究方向について考察する。

関連論文リスト

• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• Continual Learning for Smart City: A Survey [20.248023419047847]
  継続的学習(CL)は、変化する環境に適応するためにモデルを常に更新する、新しい機械学習パラダイムである。 本調査は,スマートシティ開発に広く用いられている継続的学習手法の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2024-04-01T07:59:29Z)
• Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook [28.103555959143645]
  本稿では,都市コンピューティングに適した深層学習に基づくデータ融合手法の最近の進歩を体系的にレビューする最初の調査を提案する。 提案手法は,特徴ベース,アライメントベース,コントラストベース,生成ベース融合の4つのカテゴリに分類される。 さらに, 都市計画, 交通, 経済, 公共安全, 社会, 環境, エネルギーの7つのタイプに分類した。
  論文  参考訳（メタデータ） (2024-02-29T16:56:23Z)
• Federated Learning with New Knowledge: Fundamentals, Advances, and Futures [69.8830772538421]
  本稿では,フェデレートラーニング(FL)における新しい知識の源泉を体系的に定義する。 本研究は,新たな知識の到来時期と形態が定式化過程に及ぼす影響について検討する。 シナリオの設定,効率,セキュリティなど,さまざまな要因を考慮し,FLの今後の方向性を新たな知識で論じる。
  論文  参考訳（メタデータ） (2024-02-03T21:29:31Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• Towards Quantum Federated Learning [80.1976558772771]
  量子フェデレートラーニング(Quantum Federated Learning)は、学習プロセスにおけるプライバシ、セキュリティ、効率性の向上を目的とする。 我々は、QFLの原則、技術、および新しい応用について、包括的に理解することを目指している。 QFLの分野が進むにつれ、様々な産業でさらなるブレークスルーや応用が期待できる。
  論文  参考訳（メタデータ） (2023-06-16T15:40:21Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• Federated Learning: Issues in Medical Application [0.7598921989525735]
  ローカルデータを移動せずにAIを学習可能にするフェデレーション学習は、Googleが2017年に導入して以来、特に医学分野で積極的に研究されてきた。 ローカルクライアントからデータを集めることなく、AIにおける機械学習というアイデアは非常に魅力的だ。 しかし,非同一分布,クライアント参加管理,脆弱な環境など,独自の特徴があるため,フェデレーション学習にはさまざまな課題が残されている。
  論文  参考訳（メタデータ） (2021-09-01T06:04:08Z)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)

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。