論文の概要: Federated Learning-based Active Authentication on Mobile Devices
- arxiv url: http://arxiv.org/abs/2104.07158v1
- Date: Wed, 14 Apr 2021 22:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 14:57:51.352035
- Title: Federated Learning-based Active Authentication on Mobile Devices
- Title（参考訳）: モバイルデバイス上でのフェデレーション学習に基づくアクティブ認証
- Authors: Poojan Oza, Vishal M. Patel
- Abstract要約: モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
- 参考スコア（独自算出の注目度）: 98.23904302910022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User active authentication on mobile devices aims to learn a model that can
correctly recognize the enrolled user based on device sensor information. Due
to lack of negative class data, it is often modeled as a one-class
classification problem. In practice, mobile devices are connected to a central
server, e.g, all android-based devices are connected to Google server through
internet. This device-server structure can be exploited by recently proposed
Federated Learning (FL) and Split Learning (SL) frameworks to perform
collaborative learning over the data distributed among multiple devices. Using
FL/SL frameworks, we can alleviate the lack of negative data problem by
training a user authentication model over multiple user data distributed across
devices. To this end, we propose a novel user active authentication training,
termed as Federated Active Authentication (FAA), that utilizes the principles
of FL/SL. We first show that existing FL/SL methods are suboptimal for FAA as
they rely on the data to be distributed homogeneously (i.e. IID) across
devices, which is not true in the case of FAA. Subsequently, we propose a novel
method that is able to tackle heterogeneous/non-IID distribution of data in
FAA. Specifically, we first extract feature statistics such as mean and
variance corresponding to data from each user which are later combined in a
central server to learn a multi-class classifier and sent back to the
individual devices. We conduct extensive experiments using three active
authentication benchmark datasets (MOBIO, UMDAA-01, UMDAA-02) and show that
such approach performs better than state-of-the-art one-class based FAA methods
and is also able to outperform traditional FL/SL methods.
- Abstract（参考訳）: モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
負のクラスデータがないため、しばしば一級分類問題としてモデル化される。
実際には、モバイルデバイスは中央サーバーに接続されている。例えば、すべてのアンドロイドベースのデバイスはインターネットを介してGoogleサーバーに接続されている。
このデバイスサーバ構造は、最近提案されたフェデレートラーニング(FL)とスプリットラーニング(SL)フレームワークによって、複数のデバイスに分散したデータ上で協調学習を行うことができる。
fl/slフレームワークを使用することで、デバイスに分散した複数のユーザデータに対してユーザ認証モデルをトレーニングすることで、負のデータ問題の欠如を軽減できる。
そこで本研究では,FL/SLの原則を応用した,新しいユーザアクティブ認証トレーニングをFAA(Federated Active Authentication)として提案する。
まず, 既存のFL/SL法は, 均質に分散するデータに依存するため, FAAに最適であることを示す。
FAAの場合はそうではない。
その後、FAAにおける異種/非IIDデータの分散に対処できる新しい手法を提案する。
具体的には、まず、各ユーザからのデータに対応する平均と分散などの特徴統計を抽出し、後に中央サーバに結合して多クラス分類器を学習し、各デバイスに送信する。
我々は3つのアクティブ認証ベンチマークデータセット(MOBIO, UMDAA-01, UMDAA-02)を用いて広範な実験を行い、この手法が最先端の1クラスベースFAA法よりも優れた性能を示し、従来のFL/SL法よりも優れた性能を示す。
関連論文リスト
- Partial Federated Learning [26.357723187375665]
Federated Learning(FL)は、エッジデバイスに制約されたユーザデータに基づいて機械学習モデルをトレーニングする一般的なアルゴリズムである。
そこで我々は、機械学習モデルに、データのサブセットをサーバに提供可能なデータを用いてトレーニングする、Partial Federated Learning (PartialFL) と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-03T21:04:36Z) - Unsupervised anomalies detection in IIoT edge devices networks using
federated learning [0.0]
分散機械学習アプローチとしてのフェデレーション学習(FL)は、データそのものを収集したデバイス上で、マシンラーニングモデルのトレーニングを実行する。
本稿では、最近のIoT/IIoTデバイスネットワークを表すデータセットにFLの利点を活用し、Fedavgアルゴリズムを実装した。
また,障害デバイスがトレーニングのすべての段階で参加していない場合,トレーニング中に発生する不公平さなど,Fedavgの欠点も評価した。
論文 参考訳（メタデータ） (2023-08-23T14:53:38Z) - Semi-Supervised Federated Learning for Keyword Spotting [15.044022869136262]
キーワードスポッティング(KWS)は、モバイルデバイスや仮想アシスタントにおける音声ベースのアプリケーションにおいて重要な側面である。
フェデレートラーニング(FL)の最近の進歩は、機械学習モデルをトレーニングする能力を著しく拡大している。
論文 参考訳（メタデータ） (2023-05-09T00:46:12Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-20T10:49:22Z) - 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) - Federated Split GANs [12.007429155505767]
ユーザデバイス自体でMLモデルをトレーニングするための代替手法を提案する。
我々は、GAN(ジェネレーティブ・逆境ネットワーク)に注目し、その固有のプライバシー保護属性を活用する。
我々のシステムはデータのプライバシを保ち、短時間のトレーニング時間を保ち、制約のないデバイスで同じ精度でモデルトレーニングを行う。
論文 参考訳（メタデータ） (2022-07-04T23:53:47Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳（メタデータ） (2022-01-03T16:49:33Z) - FLaPS: Federated Learning and Privately Scaling [3.618133010429131]
フェデレートラーニング(Federated Learning, FL)とは、データを収集するデバイスにモデルを転送する分散学習プロセスである。
FLaPS(Federated Learning and Privately Scaling)アーキテクチャは,システムのセキュリティとプライバシだけでなく,スケーラビリティも向上する。
論文 参考訳（メタデータ） (2020-09-13T14:20:17Z) - Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。
FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。
提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文 参考訳（メタデータ） (2020-07-09T08:04:38Z) - 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)
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。