論文の概要: The Internet of Federated Things (IoFT): A Vision for the Future and
In-depth Survey of Data-driven Approaches for Federated Learning
- arxiv url: http://arxiv.org/abs/2111.05326v1
- Date: Tue, 9 Nov 2021 18:52:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 15:32:02.178096
- Title: The Internet of Federated Things (IoFT): A Vision for the Future and
In-depth Survey of Data-driven Approaches for Federated Learning
- Title(参考訳): フェデレーション・モノのインターネット(IoFT):フェデレーション・ラーニングのためのデータ駆動型アプローチの今後の展望
- Authors: Raed Kontar, Naichen Shi, Xubo Yue, Seokhyun Chung, Eunshin Byon,
Mosharaf Chowdhury, Judy Jin, Wissam Kontar, Neda Masoud, Maher Noueihed,
Chinedum E. Okwudire, Garvesh Raskutti, Romesh Saigal, Karandeep Singh, and
Zhisheng Ye
- Abstract要約: IoT(Internet of Things)は、大きなパラダイムシフトの渦中にあります。
将来IoTシステムであるIoFTでは、クラウドは、モデルのトレーニングをエッジに持ってくる群衆によって置き換えられる。
本稿は、IoFTのビジョンと、このビジョンの実現に向けた現在の取り組みの体系的な概要を提供する。
- 参考スコア(独自算出の注目度): 12.754922966044687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet of Things (IoT) is on the verge of a major paradigm shift. In
the IoT system of the future, IoFT, the cloud will be substituted by the crowd
where model training is brought to the edge, allowing IoT devices to
collaboratively extract knowledge and build smart analytics/models while
keeping their personal data stored locally. This paradigm shift was set into
motion by the tremendous increase in computational power on IoT devices and the
recent advances in decentralized and privacy-preserving model training, coined
as federated learning (FL). This article provides a vision for IoFT and a
systematic overview of current efforts towards realizing this vision.
Specifically, we first introduce the defining characteristics of IoFT and
discuss FL data-driven approaches, opportunities, and challenges that allow
decentralized inference within three dimensions: (i) a global model that
maximizes utility across all IoT devices, (ii) a personalized model that
borrows strengths across all devices yet retains its own model, (iii) a
meta-learning model that quickly adapts to new devices or learning tasks. We
end by describing the vision and challenges of IoFT in reshaping different
industries through the lens of domain experts. Those industries include
manufacturing, transportation, energy, healthcare, quality & reliability,
business, and computing.
- Abstract(参考訳): IoT(Internet of Things)は、大きなパラダイムシフトの渦中にあります。
将来、IoTシステムであるIoFTでは、クラウドは、モデルのトレーニングをエッジに持ってくる群衆によって置き換えられ、IoTデバイスは、知識を共同で抽出し、パーソナルデータをローカルに保存しながら、スマートな分析/モデルを構築することができる。
このパラダイムシフトは、IoTデバイスにおける計算能力の大幅な増加と、フェデレートラーニング(FL)と呼ばれる分散型およびプライバシ保護モデルトレーニングの最近の進歩によって実現された。
本稿は、IoFTのビジョンと、このビジョンの実現に向けた現在の取り組みの体系的な概要を提供する。
具体的には、まずIoFTの特徴を定義し、FLデータ駆動アプローチ、機会、そして3次元の分散推論を可能にする課題について議論する。
i)すべてのIoTデバイスにおけるユーティリティを最大化するグローバルモデル。
(ii)全端末で強みを借りながらも独自のモデルを保ったパーソナライズドモデル。
(iii)新しいデバイスや学習タスクに迅速に適応するメタ学習モデル。
最後に、ドメインエキスパートのレンズを通して異なる産業を形作るioftのビジョンと課題を説明します。
これらの産業には製造業、輸送、エネルギー、医療、品質と信頼性、ビジネス、そしてコンピューティングが含まれる。
関連論文リスト
- MultiIoT: Towards Large-scale Multisensory Learning for the Internet of
Things [77.27980044639136]
IoT(Internet of Things)エコシステムは、マシンラーニングのための現実世界のモダリティの豊富なソースを提供する。
本稿では,12のモダリティと8タスクから115万以上のサンプルを対象とする,これまでで最も拡張性の高いIoTベンチマークであるMultiIoTを提案する。
論文 参考訳(メタデータ) (2023-11-10T18:13:08Z) - Fostering new Vertical and Horizontal IoT Applications with Intelligence
Everywhere [8.208838459484676]
Intelligence Everywhereは、大量のデータストリームを運ぶIoTネットワークのシームレスな統合を前提としている。
本稿では,最先端の研究とインテリジェンス・エビデンス・エビデンス・フレームワークの原理について論じる。
また、水平IoTアプリケーションを開発するための新しい視点も導入している。
論文 参考訳(メタデータ) (2023-09-30T11:59:39Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳(メタデータ) (2023-09-14T05:43:36Z) - Federated Learning in IoT: a Survey from a Resource-Constrained
Perspective [0.0]
分散機械学習技術であるフェデレートラーニング(FL)は、さまざまな分散データソースから機械学習モデルを収集、トレーニングするために広く使用されている。
しかし、IoTデバイスのリソース制限の性質は、現実世界における大規模デプロイメントFLを妨げている。
本研究では,資源制約型モノのインターネット(IoT)環境におけるフェデレートラーニング(FL)導入に伴う課題と解決策を包括的に調査する。
論文 参考訳(メタデータ) (2023-08-25T03:31:22Z) - Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent
IoT Services [24.10349383347469]
本研究では,分散型協調学習環境の育成におけるMT-HFLの役割について考察する。
これにより、IoTデバイスがコントリビューションだけでなく、ネットワーク管理において情報的な決定を行うことが可能になる。
このセットアップにより、効率的なデータ処理、高度なプライバシとセキュリティ対策、および変動するネットワーク条件への応答が保証される。
論文 参考訳(メタデータ) (2023-05-09T14:03:22Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳(メタデータ) (2021-11-16T18:42:50Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - Federated Learning for Industrial Internet of Things in Future
Industries [106.13524161081355]
産業用IoT(Industrial Internet of Things)は,産業用システムの運用を変革する有望な機会を提供する。
近年、人工知能(AI)はインテリジェントIIoTアプリケーションの実現に広く利用されている。
フェデレートラーニング(FL)は、複数のIIoTデバイスとマシンを協調して、ネットワークエッジでAIトレーニングを実行することで、インテリジェントなIIoTネットワークにとって特に魅力的である。
論文 参考訳(メタデータ) (2021-05-31T01:02:59Z) - Machine Learning Systems in the IoT: Trustworthiness Trade-offs for Edge
Intelligence [1.2437226707039446]
エッジインテリジェンスを提供するために、機械学習システム(MLSys)がIoT(Internet of Things)に登場している。
本稿では、クラウド、エッジ、IoTデバイスにわたるMLのスケーリングと分散に関する最新の開発(2020年まで)を取り上げ、トレードオフを分析します。
論文 参考訳(メタデータ) (2020-12-01T11:42:34Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-03T20:00:02Z) - IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。
我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。
99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
論文 参考訳(メタデータ) (2020-01-28T23:13:12Z)
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。