論文の概要: Meta-HAR: Federated Representation Learning for Human Activity
Recognition
- arxiv url: http://arxiv.org/abs/2106.00615v1
- Date: Mon, 31 May 2021 11:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:04:38.487999
- Title: Meta-HAR: Federated Representation Learning for Human Activity
Recognition
- Title（参考訳）: Meta-HAR:人間活動認識のためのフェデレーション表現学習
- Authors: Chenglin Li, Di Niu, Bei Jiang, Xiao Zuo and Jianming Yang
- Abstract要約: ユビキタスコンピューティングにおいて,モバイルセンサに基づくヒューマンアクティビティ認識(HAR)が重要な役割を担っている。
本稿では,信号埋め込みネットワークをメタ学習した表現学習フレームワークMeta-HARを提案する。
埋め込みネットワークの表現能力を向上するため,ユーザ毎のHAR問題を別のタスクとして扱い,モデルに依存しないメタラーニングフレームワークを通じて共有埋め込みネットワークを訓練する。
- 参考スコア（独自算出の注目度）: 21.749861229805727
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Human activity recognition (HAR) based on mobile sensors plays an important
role in ubiquitous computing. However, the rise of data regulatory constraints
precludes collecting private and labeled signal data from personal devices at
scale. Federated learning has emerged as a decentralized alternative solution
to model training, which iteratively aggregates locally updated models into a
shared global model, therefore being able to leverage decentralized, private
data without central collection. However, the effectiveness of federated
learning for HAR is affected by the fact that each user has different activity
types and even a different signal distribution for the same activity type.
Furthermore, it is uncertain if a single global model trained can generalize
well to individual users or new users with heterogeneous data. In this paper,
we propose Meta-HAR, a federated representation learning framework, in which a
signal embedding network is meta-learned in a federated manner, while the
learned signal representations are further fed into a personalized
classification network at each user for activity prediction. In order to boost
the representation ability of the embedding network, we treat the HAR problem
at each user as a different task and train the shared embedding network through
a Model-Agnostic Meta-learning framework, such that the embedding network can
generalize to any individual user. Personalization is further achieved on top
of the robustly learned representations in an adaptation procedure. We
conducted extensive experiments based on two publicly available HAR datasets as
well as a newly created HAR dataset. Results verify that Meta-HAR is effective
at maintaining high test accuracies for individual users, including new users,
and significantly outperforms several baselines, including Federated Averaging,
Reptile and even centralized learning in certain cases.
- Abstract（参考訳）: モバイルセンサに基づくヒューマンアクティビティ認識(har)はユビキタスコンピューティングにおいて重要な役割を果たす。
しかし、データ規制の台頭は、個人デバイスからプライベートおよびラベル付き信号データを大規模に収集することを妨げる。
フェデレーション学習は、ローカルに更新されたモデルを共有グローバルモデルに反復的に集約することで、集中的な収集なしで分散したプライベートデータを活用できる、モデルトレーニングの分散化代替ソリューションとして登場した。
しかし,HARにおけるフェデレート学習の有効性は,各ユーザが異なるアクティビティタイプを持ち,同一のアクティビティタイプに対して異なる信号分布を持つという事実に影響されている。
さらに、トレーニングされた単一のグローバルモデルが、異種データを持つ個々のユーザや新規ユーザに対してうまく一般化できるかは不明だ。
本稿では,信号埋め込みネットワークをメタ学習し,学習した信号表現を各ユーザの個人別分類ネットワークに入力し,活動予測を行う,フェデレート表現学習フレームワークであるMeta-HARを提案する。
組込みネットワークの表現能力を高めるために,組込みネットワークが任意のユーザに対して一般化できるように,各ユーザのhar問題を異なるタスクとして扱い,モデルに依存しないメタ学習フレームワークを通じて共有組込みネットワークを訓練する。
適応手順における頑健に学習された表現の上に、パーソナライゼーションがさらに達成される。
利用可能な2つのHARデータセットと、新たに作成されたHARデータセットに基づいて、広範な実験を行った。
その結果,Meta-HARは,新規ユーザを含む個々のユーザに対する高いテスト精度を維持する上で有効であることが確認され,フェデレート平均化やリペアリング,さらには集中学習など,いくつかのベースラインを著しく上回っている。
関連論文リスト
- Personalized Federated Learning with Feature Alignment and Classifier
Collaboration [13.320381377599245]
データの不均一性は、フェデレートラーニングにおける最も難しい問題の1つです。
ディープニューラルネットワークベースのタスクにおけるそのようなアプローチの1つは、共有された特徴表現を採用し、クライアントごとにカスタマイズされた分類子ヘッドを学ぶことである。
本研究では,グローバルなセマンティックな知識を活用して,より優れた表現を学習することで,ローカル・グローバルな特徴アライメントを実現する。
論文 参考訳（メタデータ） (2023-06-20T19:58:58Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳（メタデータ） (2023-05-22T13:48:30Z) - 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) - Personalized Semi-Supervised Federated Learning for Human Activity
Recognition [1.9014535120129343]
人間活動認識のための新しいハイブリッド手法であるFedHARを提案する。
FedHARは半教師付きとフェデレーション学習を組み合わせたものです。
我々は、FedHARが最新のFL監督アプローチに類似した認識率とパーソナライゼーション能力に達することを示しています。
論文 参考訳（メタデータ） (2021-04-15T10:24:18Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z) - Adaptive Prototypical Networks with Label Words and Joint Representation
Learning for Few-Shot Relation Classification [17.237331828747006]
本研究は,少ショット関係分類(FSRC)に焦点を当てる。
クラスプロトタイプの表現にラベル単語を追加するための適応的混合機構を提案する。
FewRelでは、異なる数ショット(FS)設定で実験が行われた。
論文 参考訳（メタデータ） (2021-01-10T11:25:42Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z) - 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) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z) - Personalized Federated Learning: A Meta-Learning Approach [28.281166755509886]
フェデレートラーニング(Federated Learning)では、複数のコンピューティングユニット(ユーザ)にまたがるモデルをトレーニングすることを目的としています。
本稿では,現在あるいは新規利用者が自身のデータに対して1段階ないし数段階の勾配降下を実行することで,ローカルデータセットに容易に適応できるような,初歩的な共有モデルを見つけることを目標とする,フェデレーション学習のパーソナライズされたバリエーションについて検討する。
論文 参考訳（メタデータ） (2020-02-19T01:08:46Z)
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。