論文の概要: FedSup: A Communication-Efficient Federated Learning Fatigue Driving
Behaviors Supervision Framework
- arxiv url: http://arxiv.org/abs/2104.12086v1
- Date: Sun, 25 Apr 2021 07:16:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:52:21.635724
- Title: FedSup: A Communication-Efficient Federated Learning Fatigue Driving
Behaviors Supervision Framework
- Title（参考訳）: fedsup: コミュニケーション効率の高いfederated learning fatigue driving behaviors supervisor framework
- Authors: Chen Zhao, Zhipeng Gao, Qian Wang, Kaile Xiao, Zijia Mo, M. Jamal Deen
- Abstract要約: FedSupは、プライバシーと効率的な疲労検出のためのクライアントエッジクラウドフレームワークです。
FedSupは、フェデレーション学習技術にインスパイアされ、クライアント、エッジ、クラウドサーバー間のコラボレーションをインテリジェントに活用します。
- 参考スコア（独自算出の注目度）: 10.38729333916008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the proliferation of edge smart devices and the Internet of Vehicles
(IoV) technologies, intelligent fatigue detection has become one of the
most-used methods in our daily driving. To improve the performance of the
detection model, a series of techniques have been developed. However, existing
work still leaves much to be desired, such as privacy disclosure and
communication cost. To address these issues, we propose FedSup, a
client-edge-cloud framework for privacy and efficient fatigue detection.
Inspired by the federated learning technique, FedSup intelligently utilizes the
collaboration between client, edge, and cloud server to realizing dynamic model
optimization while protecting edge data privacy. Moreover, to reduce the
unnecessary system communication overhead, we further propose a Bayesian
convolutional neural network (BCNN) approximation strategy on the clients and
an uncertainty weighted aggregation algorithm on the cloud to enhance the
central model training efficiency. Extensive experiments demonstrate that the
FedSup framework is suitable for IoV scenarios and outperforms other mainstream
methods.
- Abstract（参考訳）: エッジスマートデバイスやiot(internet of vehicles, iov)技術の普及に伴い、インテリジェントな疲労検出は日々の運転で最もよく使われている方法の1つになっています。
検出モデルの性能を向上させるため,一連の手法が開発されている。
しかし、プライバシーの開示や通信コストなど、既存の作業は依然として望ましいままである。
これらの問題に対処するために、プライバシと効率的な疲労検出のためのクライアントエッジクラウドフレームワークであるFedSupを提案する。
fedsupは、連合学習技術に触発されて、クライアント、エッジ、クラウドサーバ間のコラボレーションをインテリジェントに活用し、エッジデータプライバシを保護しながら、動的モデルの最適化を実現する。
さらに,不必要なシステム通信のオーバーヘッドを軽減するため,クライアント上でのベイズ畳み込みニューラルネットワーク(BCNN)近似と,クラウド上での不確実な重み付け集約アルゴリズムを提案し,中央モデルトレーニング効率を向上させる。
大規模な実験では、FedSupフレームワークがIoVシナリオに適していることが示され、他の主流メソッドよりも優れている。
関連論文リスト
- Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。
本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。
局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
論文 参考訳（メタデータ） (2025-02-14T23:11:51Z) - Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳（メタデータ） (2024-08-26T17:03:14Z) - Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。
本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-01T15:37:38Z) - FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。
我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。
我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
論文 参考訳（メタデータ） (2024-05-20T06:12:33Z) - 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) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-07T08:58:41Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳（メタデータ） (2023-07-14T04:13:11Z) - FeDiSa: A Semi-asynchronous Federated Learning Framework for Power
System Fault and Cyberattack Discrimination [1.0621485365427565]
本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。
産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
論文 参考訳（メタデータ） (2023-03-28T13:34:38Z) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2023-02-24T08:41:19Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z)
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。