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
- Towards Quantum Federated Learning [63.813928475983175]
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) - Artificial Intelligence and Natural Language Processing and
Understanding in Space: Four ESA Case Studies [48.53582660901672]
本稿では,空間文書から情報を自動的に抽出するための,人工知能と自然言語処理と理解に基づく方法論的枠組みを提案する。
ケーススタディはミッションデザイン、品質保証、長期データ保存、オープンスペースイノベーションプラットフォームなど、ESAのさまざまな機能領域で実装されている。
論文 参考訳(メタデータ) (2022-10-07T15:50:17Z) - 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) - Neural Approaches to Conversational Information Retrieval [94.77863916314979]
会話情報検索(CIR)システムは、会話インタフェースを備えた情報検索(IR)システムである。
近年のディープラーニングの進歩により、自然言語処理(NLP)と会話型AIが大幅に改善されている。
この本は、ここ数年で開発された神経アプローチに焦点を当てた、CIRの最近の進歩を調査します。
論文 参考訳(メタデータ) (2022-01-13T19:04:59Z) - 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) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳(メタデータ) (2021-04-29T14:15:11Z) - Fusion of Federated Learning and Industrial Internet of Things: A Survey [4.810675235074399]
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。
論文 参考訳(メタデータ) (2021-01-04T06:28:32Z) - 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) - Federated Transfer Learning: concept and applications [2.474754293747645]
フェデレートトランスファーラーニング(FTL)は、重複する多くの機能やユーザを持たないドメイン間で知識を伝達することを可能にする。
本研究では,FTLの背景と既存アプリケーションについて検討する。
さらに、プライバシと機械学習の観点からFTLを分析する。
論文 参考訳(メタデータ) (2020-09-26T19:46:07Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳(メタデータ) (2020-06-12T12:37:03Z) - Deep Learning for Political Science [0.0]
機械学習、ディープラーニング、自然言語処理(NLP)、そしてより一般的には、人工知能(AI)が理論をテストする新しい機会を開きつつある。
政治科学は伝統的に、投票行動、政策決定、国際紛争、国際開発などの分野の研究に計算手法を用いてきた。
本章では政治学の例を例に紹介する。
論文 参考訳(メタデータ) (2020-05-13T19:14:37Z)
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。