Fugu-MT 論文翻訳(概要): SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems

論文の概要: SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems

arxiv url: http://arxiv.org/abs/2103.07050v1
Date: Fri, 12 Mar 2021 02:57:05 GMT
ステータス: 処理完了
システム内更新日: 2021-03-15 13:11:58.033472
Title: SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems
Title（参考訳）: SCEI: IoTシステムのためのスマートコントラクト駆動エッジインテリジェンスフレームワーク
Authors: Chenhao Xu, Yong Li, Yao Deng, Jiaqi Ge, Longxiang Gao, Mengshi Zhang, Yong Xiang, Xi Zheng
Abstract要約: federated learning (fl) はエッジコンピューティングデバイスを使用して共有モデルを協調的にトレーニングし、各デバイスはローカルデータアクセスを完全に制御できる。本研究では、スマートコントラクトとフェデレーション学習を活用して、最適化されたパーソナライズされたディープラーニングモデルを構築するソリューションを提供する。具体的には、パーソナライズされたモデルの最適な重みに関するトレーナー間のコンセンサスに到達するためにスマートコントラクトを利用するアプローチです。
参考スコア（独自算出の注目度）: 10.96582595121493
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) utilizes edge computing devices to collaboratively train a shared model while each device can fully control its local data access. Generally, FL techniques focus on learning model on independent and identically distributed (iid) dataset and cannot achieve satisfiable performance on non-iid datasets (e.g. learning a multi-class classifier but each client only has a single class dataset). Some personalized approaches have been proposed to mitigate non-iid issues. However, such approaches cannot handle underlying data distribution shift, namely data distribution skew, which is quite common in real scenarios (e.g. recommendation systems learn user behaviors which change over time). In this work, we provide a solution to the challenge by leveraging smart-contract with federated learning to build optimized, personalized deep learning models. Specifically, our approach utilizes smart contract to reach consensus among distributed trainers on the optimal weights of personalized models. We conduct experiments across multiple models (CNN and MLP) and multiple datasets (MNIST and CIFAR-10). The experimental results demonstrate that our personalized learning models can achieve better accuracy and faster convergence compared to classic federated and personalized learning. Compared with the model given by baseline FedAvg algorithm, the average accuracy of our personalized learning models is improved by 2% to 20%, and the convergence rate is about 2$\times$ faster. Moreover, we also illustrate that our approach is secure against recent attack on distributed learning.
Abstract（参考訳）: federated learning (fl) はエッジコンピューティングデバイスを使用して共有モデルを協調的にトレーニングし、各デバイスはローカルデータアクセスを完全に制御できる。一般的にFL技術では、独立および同一分散(iid)データセットの学習モデルに焦点を当てており、非iidデータセット(例えば)で満足できるパフォーマンスを達成できない。マルチクラス分類器を学ぶが、各クライアントは単一のクラスデータセットしか持たない)。非iid問題を緩和するためのパーソナライズドアプローチがいくつか提案されている。しかし、そのようなアプローチは根底にあるデータ分散のシフト、すなわち実際のシナリオ(例えば、データ分散のスキュー)を扱うことができない。レコメンデーションシステムは、時間とともに変化するユーザの行動を学ぶ)。本研究では、スマートコントラクトとフェデレーション学習を活用して、最適化されたパーソナライズされたディープラーニングモデルを構築することで、課題に対する解決策を提供する。具体的には,個別化モデルの最適重み付けについて,分散トレーナー間のコンセンサスを得るためにスマートコントラクトを利用する。複数のモデル(CNNとMLP)と複数のデータセット(MNISTとCIFAR-10)で実験を行います。実験の結果,従来のフェデレーションやパーソナライズドラーニングと比較して,パーソナライズドラーニングモデルの方が精度が高く,コンバージェンスも速いことがわかった。ベースラインFedAvgアルゴリズムによって与えられたモデルと比較して、私たちのパーソナライズされた学習モデルの平均精度は2%から20%改善され、収束率は約2$\times$高速です。さらに,本手法が分散学習に対する最近の攻撃に対して安全であることを示す。

関連論文リスト

Generative AI-Powered Plugin for Robust Federated Learning in Heterogeneous IoT Networks [3.536605202672355]
フェデレーション学習により、エッジデバイスは、データのローカライズを維持しながら、データのプライバシを維持しながら、グローバルモデルを協調的にトレーニングすることが可能になる。我々は,AI強化データ拡張と均衡サンプリング戦略により,IIDからIDDへの非IIDデータ分布を近似する,フェデレーション最適化技術のための新しいプラグインを提案する。
論文参考訳（メタデータ） (2024-10-31T11:13:47Z)
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)
Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。 FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。 CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文参考訳（メタデータ） (2023-12-23T03:31:46Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文参考訳（メタデータ） (2023-03-31T10:13:01Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文参考訳（メタデータ） (2021-07-14T08:32:39Z)
Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
スマートデバイスは環境から大量のデータを収集することができる。このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-27T17:01:58Z)
Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文参考訳（メタデータ） (2020-05-03T09:14:31Z)
Concentrated Differentially Private and Utility Preserving Federated Learning [24.239992194656164]
フェデレーション・ラーニング(Federated Learning)とは、エッジデバイスのセットが、中央サーバのオーケストレーションの下でモデルを協調的にトレーニングする、機械学習環境である。本稿では,モデルユーティリティの劣化を伴わずに,プライバシ問題に対処するフェデレーション学習手法を開発する。このアプローチのエンドツーエンドのプライバシ保証を厳格に提供し、理論的収束率を分析します。
論文参考訳（メタデータ） (2020-03-30T19:20:42Z)
Evaluation Framework For Large-scale Federated Learning [10.127616622630514]
フェデレーテッド・ラーニングは、携帯電話などの分散型エッジデバイスが協調して共有予測モデルを学習できるようにするための機械学習環境として提案されている。本稿では,データセットとモジュール型評価フレームワークを生成するためのアプローチからなる,大規模フェデレーション学習のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-03T15:12:13Z)

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。