論文の概要: Concept Drift Detection in Federated Networked Systems
- arxiv url: http://arxiv.org/abs/2109.06088v1
- Date: Mon, 13 Sep 2021 16:05:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:11:19.146199
- Title: Concept Drift Detection in Federated Networked Systems
- Title（参考訳）: フェデレーションネットワークシステムにおけるコンセプトドリフト検出
- Authors: Dimitrios Michael Manias, Ibrahim Shaer, Li Yang, Abdallah Shami
- Abstract要約: フェデレートラーニングは、インテリジェントで分散的なネットワークを実現する重要な技術として認識されている。
概念ドリフトはモデルの性能に直接影響を与え、現代のネットワークが提供する危機的・緊急的なサービスを考えると、深刻な結果をもたらす可能性がある。
本稿では,学習プロセスの各イテレーションで提供されるフェデレーション学習の更新を活用して,概念ドリフト検出システムを提案する。
- 参考スコア（独自算出の注目度）: 8.856632645630887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As next-generation networks materialize, increasing levels of intelligence
are required. Federated Learning has been identified as a key enabling
technology of intelligent and distributed networks; however, it is prone to
concept drift as with any machine learning application. Concept drift directly
affects the model's performance and can result in severe consequences
considering the critical and emergency services provided by modern networks. To
mitigate the adverse effects of drift, this paper proposes a concept drift
detection system leveraging the federated learning updates provided at each
iteration of the federated training process. Using dimensionality reduction and
clustering techniques, a framework that isolates the system's drifted nodes is
presented through experiments using an Intelligent Transportation System as a
use case. The presented work demonstrates that the proposed framework is able
to detect drifted nodes in a variety of non-iid scenarios at different stages
of drift and different levels of system exposure.
- Abstract（参考訳）: 次世代ネットワークの実現に伴い、インテリジェンスレベルの増加が求められている。
連合学習は、知的ネットワークと分散ネットワークの鍵となる技術として認識されてきたが、機械学習アプリケーションと同様に、ドリフトの概念化が容易である。
概念ドリフトはモデルの性能に直接影響し、現代のネットワークによって提供される危機的および緊急的なサービスを考えると深刻な結果をもたらす可能性がある。
ドリフトの悪影響を軽減するために,フェデレーション学習プロセスの各イテレーションで提供されるフェデレーション学習更新を利用したコンセプトドリフト検出システムを提案する。
システムのドリフトノードを分離するフレームワークは,次元削減とクラスタリング技術を用いて,インテリジェントトランスポーテーションシステム(Intelligent Transportation System)をユースケースとして実験を行う。
提案手法は,ドリフトの異なる段階とシステム露出の異なる段階において,様々な非iidシナリオにおいてドリフトノードを検出できることを実証する。
関連論文リスト
- MORPH: Towards Automated Concept Drift Adaptation for Malware Detection [0.7499722271664147]
コンセプトドリフトはマルウェア検出にとって重要な課題である。
自己学習は、コンセプトドリフトを緩和するための有望なアプローチとして現れています。
擬似ラベルに基づく効果的なドリフト適応法であるMORPHを提案する。
論文 参考訳（メタデータ） (2024-01-23T14:25:43Z) - 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) - Advances on Concept Drift Detection in Regression Tasks using Social
Networks Theory [5.25961378238154]
スケールフリーネットワークレグレシタ (SFNR) は、ソーシャルネットワーク理論を用いた動的アンサンブルに基づく回帰手法である。
概念のドリフトを検出するため、SFNRはAdaptive Window (ADWIN)アルゴリズムを使用している。
その結果,特にコンセプトドリフト時の精度が向上した。
論文 参考訳（メタデータ） (2023-04-19T16:13:28Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - 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) - Impact of a DCT-driven Loss in Attention-based Knowledge-Distillation
for Scene Recognition [64.29650787243443]
本稿では, アクティベーションマップの2次元周波数変換を転送前に提案し, 解析する。
この戦略は、シーン認識などのタスクにおける知識伝達可能性を高める。
我々は、この論文で使われているトレーニングおよび評価フレームワークを、http://www.vpu.eps.uam.es/publications/DCTBasedKDForSceneRecognitionで公開しています。
論文 参考訳（メタデータ） (2022-05-04T11:05:18Z) - Deep Transfer Learning: A Novel Collaborative Learning Model for
Cyberattack Detection Systems in IoT Networks [17.071452978622123]
フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。
FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。
このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
論文 参考訳（メタデータ） (2021-12-02T05:26:29Z) - Automatic Learning to Detect Concept Drift [40.69280758487987]
誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。
具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。
検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
論文 参考訳（メタデータ） (2021-05-04T11:10:39Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z)
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。