論文の概要: The Role of Cross-Silo Federated Learning in Facilitating Data Sharing
in the Agri-Food Sector
- arxiv url: http://arxiv.org/abs/2104.07468v2
- Date: Thu, 4 May 2023 14:41:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 20:18:32.244214
- Title: The Role of Cross-Silo Federated Learning in Facilitating Data Sharing
in the Agri-Food Sector
- Title（参考訳）: アグリフード分野におけるデータ共有促進におけるクロスサイロフェデレート学習の役割
- Authors: Aiden Durrant, Milan Markovic, David Matthews, David May, Jessica
Enright and Georgios Leontidis
- Abstract要約: データ共有は、アグリフード分野における新興AI技術の採用に関して、依然として大きな障害となっている。
分散データを用いたフェデレーション学習に基づく技術ソリューションを提案する。
我々の手法は、個々のデータソースでトレーニングされた各モデルよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 5.219568203653523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data sharing remains a major hindering factor when it comes to adopting
emerging AI technologies in general, but particularly in the agri-food sector.
Protectiveness of data is natural in this setting; data is a precious commodity
for data owners, which if used properly can provide them with useful insights
on operations and processes leading to a competitive advantage. Unfortunately,
novel AI technologies often require large amounts of training data in order to
perform well, something that in many scenarios is unrealistic. However, recent
machine learning advances, e.g. federated learning and privacy-preserving
technologies, can offer a solution to this issue via providing the
infrastructure and underpinning technologies needed to use data from various
sources to train models without ever sharing the raw data themselves. In this
paper, we propose a technical solution based on federated learning that uses
decentralized data, (i.e. data that are not exchanged or shared but remain with
the owners) to develop a cross-silo machine learning model that facilitates
data sharing across supply chains. We focus our data sharing proposition on
improving production optimization through soybean yield prediction, and provide
potential use-cases that such methods can assist in other problem settings. Our
results demonstrate that our approach not only performs better than each of the
models trained on an individual data source, but also that data sharing in the
agri-food sector can be enabled via alternatives to data exchange, whilst also
helping to adopt emerging machine learning technologies to boost productivity.
- Abstract（参考訳）: データ共有は、AI技術全般、特にアグリフード分野の採用に関して、依然として大きな障害となっている。
データはデータ所有者にとって貴重な商品であり、適切に使用すれば、競争上の優位性につながる操作やプロセスについての有用な洞察を提供することができる。
残念なことに、新しいAI技術は、よく機能するために大量のトレーニングデータを必要とすることが多い。
しかし、最近の機械学習の進歩、例えばフェデレートドラーニングとプライバシ保存技術は、さまざまなソースのデータを使用して、生データを自身で共有することなくモデルをトレーニングするために必要なインフラストラクチャと基盤技術を提供することによって、この問題に対する解決策を提供することができる。
本稿では,サプライチェーン間でのデータ共有を容易にするクロスサイロ機械学習モデルを開発するために,分散データ(交換や共有ではなく,所有者と保持されるデータ)を用いたフェデレーション学習に基づく技術ソリューションを提案する。
我々は、大豆収量予測による生産最適化の改善にデータ共有の提案を集中させ、そのような手法が他の問題設定を補助できる潜在的なユースケースを提供する。
私たちの手法は、個々のデータソースでトレーニングされた各モデルよりも優れているだけでなく、データ交換の代替手段を通じてアグリフードセクターのデータ共有を可能にし、同時に、新たな機械学習技術を採用して生産性を向上する効果も示しています。
関連論文リスト
- Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future [4.497001527881303]
本研究は、フェデレーション学習における生成AIの潜在的な統合について検討する。
GAN(generative adversarial Network)とVAE(variantal autoencoder)
合成データの生成は、限られたデータ可用性に関連する課題に、フェデレートされた学習を支援する。
論文 参考訳（メタデータ） (2024-07-25T19:43:49Z) - The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。
LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。
機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文 参考訳（メタデータ） (2024-03-23T09:26:15Z) - FRAMU: Attention-based Machine Unlearning using Federated Reinforcement
Learning [16.86560475992975]
FRAMU(Federated Reinforcement Learning)を用いた注意型機械学習について紹介する。
FRAMUには適応学習機構、プライバシー保護技術、最適化戦略が組み込まれている。
実験の結果,FRAMUはベースラインモデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2023-09-19T03:13:17Z) - The Dimensions of Data Labor: A Road Map for Researchers, Activists, and
Policymakers to Empower Data Producers [14.392208044851976]
データプロデューサは、取得したデータ、使用方法、あるいはそのメリットについてはほとんど言及していません。
このデータにアクセスし、処理する能力を持つ組織、例えばOpenAIやGoogleは、テクノロジーのランドスケープを形成する上で大きな力を持っている。
研究者,政策立案者,活動家がデータ生産者に力を与える機会を概説する。
論文 参考訳（メタデータ） (2023-05-22T17:11:22Z) - Towards Generalizable Data Protection With Transferable Unlearnable
Examples [50.628011208660645]
本稿では、転送不可能な例を生成することによって、新しい一般化可能なデータ保護手法を提案する。
私たちの知る限りでは、これはデータ分散の観点からデータのプライバシを調べる最初のソリューションです。
論文 参考訳（メタデータ） (2023-05-18T04:17:01Z) - Decentralized Learning with Multi-Headed Distillation [12.90857834791378]
プライベートデータによる分散学習は、機械学習の中心的な問題である。
本研究では, 個別の非IDデータを持つ複数のエージェントが相互に学習できる, 蒸留に基づく分散学習手法を提案する。
論文 参考訳（メタデータ） (2022-11-28T21:01:43Z) - Privacy-Preserving Machine Learning for Collaborative Data Sharing via
Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。
本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T17:36:58Z) - Asynchronous Collaborative Learning Across Data Silos [9.094748832034746]
データサイロ間で機械学習モデルの非同期協調トレーニングを可能にするフレームワークを提案する。
これにより、データサイエンスチームは、データを共有することなく、機械学習モデルを協調的にトレーニングすることができる。
論文 参考訳（メタデータ） (2022-03-23T18:00:19Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - 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) - DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a
Trained Classifier [58.979104709647295]
我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。
利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。
関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
論文 参考訳（メタデータ） (2019-12-27T02:05:45Z)
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。