論文の概要: Federated Feature Selection for Cyber-Physical Systems of Systems

• arxiv url: http://arxiv.org/abs/2109.11323v1
• Date: Thu, 23 Sep 2021 12:16:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 14:48:03.502267
• Title: Federated Feature Selection for Cyber-Physical Systems of Systems
• Title（参考訳）: サイバー物理システムのためのフェデレーション機能選択
• Authors: Pietro Cassar\`a, Alberto Gotta, Lorenzo Valerio
• Abstract要約: 自動運転車の一群は、データ伝送を99%まで減らし、無視できない情報損失を抑えるために利用する、最適な機能セットに関するコンセンサスを見つける。 以上の結果から、自動運転車の車両群は、データ伝送を99%まで減らし、無視できる情報損失を減らし、最適な機能セットにコンセンサスを見出すことができた。
• 参考スコア（独自算出の注目度）: 0.3609538870261841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous systems generate a huge amount of multimodal data that are collected and processed on the Edge, in order to enable AI-based services. The collected datasets are pre-processed in order to extract informative attributes, called features, which are used to feed AI algorithms. Due to the limited computational and communication resources of some CPS, like autonomous vehicles, selecting the subset of relevant features from a dataset is of the utmost importance, in order to improve the result achieved by learning methods and to reduce computation and communication costs. Precisely, feature selection is the candidate approach, which assumes that data contain a certain number of redundant or irrelevant attributes that can be eliminated. The quality of our methods is confirmed by the promising results achieved on two different data sets. In this work, we propose, for the first time, a federated feature selection method suitable for being executed in a distributed manner. Precisely, our results show that a fleet of autonomous vehicles finds a consensus on the optimal set of features that they exploit to reduce data transmission up to 99% with negligible information loss.
• Abstract（参考訳）: 自律システムは、AIベースのサービスを実現するために、Edge上で収集され、処理される大量のマルチモーダルデータを生成する。 収集されたデータセットは、AIアルゴリズムのフィードに使用される特徴と呼ばれる情報属性を抽出するために、前処理される。 自動運転車のような一部のCPSの計算および通信資源が限られているため、学習方法による結果の改善と計算と通信コストの削減のために、データセットから関連する機能のサブセットを選択することが最も重要である。 正確には、機能選択は候補アプローチであり、データには削除可能な冗長または無関係な属性がある程度含まれていると仮定する。 2つの異なるデータセットで得られた有望な結果から,提案手法の品質を確認した。 本研究では,分散的に実行されるのに適したフェデレートされた特徴選択法を初めて提案する。 より正確には、自動運転車の一群が、データ伝送を99%まで減らし、無視できない情報損失を抑えるために利用する、最適な機能セットについて、コンセンサスを得られることを示す。

関連論文リスト

• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
  本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。 提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-01-15T05:32:35Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Optimal Data Selection: An Online Distributed View [61.31708750038692]
  この問題のオンライン版と分散版のアルゴリズムを開発する。 ランダム選択法は, ランダム選択法よりも5～20%高い性能を示した。 ImageNet と MNIST の学習タスクにおいて、我々の選択方法はランダム選択よりも5-20% 高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-25T18:56:16Z)
• Online Feature Selection for Efficient Learning in Networked Systems [3.13468877208035]
  データ駆動エンジニアリングのための現在のAI/MLメソッドは、主にオフラインでトレーニングされたモデルを使用する。 多数の利用可能なデータソースから小さな特徴セットを選択するオンライン安定特徴セットアルゴリズム(OSFS)を提案する。 OSFSは、調査されたすべてのデータセットに対して、1～3桁の規模で設定された機能のサイズを大幅に削減する。
  論文  参考訳（メタデータ） (2021-12-15T16:31:59Z)
• Feedback-Based Dynamic Feature Selection for Constrained Continuous Data Acquisition [6.947442090579469]
  本稿では,動的システムからデータ収集のための特徴セットをステップワイズで効率的に決定する,フィードバックに基づく動的特徴選択アルゴリズムを提案する。 評価の結果,提案手法は制約付きベースライン法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-11-10T14:19:01Z)
• On the Use of Interpretable Machine Learning for the Management of Data Quality [13.075880857448059]
  我々は、解釈可能な機械学習を用いて、あらゆるデータ処理アクティビティをベースとした重要な機能を提供する。 私たちの目標は、少なくとも、収集されたデータセットで重要なものとして検出される機能に対して、データ品質を確保することです。
  論文  参考訳（メタデータ） (2020-07-29T08:49:32Z)
• Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
  異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。 我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。 我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
  論文  参考訳（メタデータ） (2020-04-15T15:58:05Z)
• ARDA: Automatic Relational Data Augmentation for Machine Learning [23.570173866941612]
  本稿では,データセットとデータレポジトリを入力とし,拡張データセットを出力するエンド・ツー・エンドシステムを提案する。 本システムは,(1)入力の様々な属性に基づいて,入力データとデータを検索し結合するフレームワークと,(2)入力データからノイズや不適切な特徴を抽出する効率的な特徴選択アルゴリズムの2つの特徴を有する。
  論文  参考訳（メタデータ） (2020-03-21T21:55:22Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。