論文の概要: Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones
- arxiv url: http://arxiv.org/abs/2201.01230v1
- Date: Mon, 3 Jan 2022 16:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 13:05:38.514506
- Title: Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones
- Title(参考訳): ドローンインターネットにおける画像自動認識のためのロバスト半教師付きフェデレーション学習
- Authors: Zhe Zhang, Shiyao Ma, Zhaohui Yang, Zehui Xiong, Jiawen Kang, Yi Wu,
Kejia Zhang and Dusit Niyato
- Abstract要約: プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
- 参考スコア(独自算出の注目度): 57.468730437381076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Air access networks have been recognized as a significant driver of various
Internet of Things (IoT) services and applications. In particular, the aerial
computing network infrastructure centered on the Internet of Drones has set off
a new revolution in automatic image recognition. This emerging technology
relies on sharing ground truth labeled data between Unmanned Aerial Vehicle
(UAV) swarms to train a high-quality automatic image recognition model.
However, such an approach will bring data privacy and data availability
challenges. To address these issues, we first present a Semi-supervised
Federated Learning (SSFL) framework for privacy-preserving UAV image
recognition. Specifically, we propose model parameters mixing strategy to
improve the naive combination of FL and semi-supervised learning methods under
two realistic scenarios (labels-at-client and labels-at-server), which is
referred to as Federated Mixing (FedMix). Furthermore, there are significant
differences in the number, features, and distribution of local data collected
by UAVs using different camera modules in different environments, i.e.,
statistical heterogeneity. To alleviate the statistical heterogeneity problem,
we propose an aggregation rule based on the frequency of the client's
participation in training, namely the FedFreq aggregation rule, which can
adjust the weight of the corresponding local model according to its frequency.
Numerical results demonstrate that the performance of our proposed method is
significantly better than those of the current baseline and is robust to
different non-IID levels of client data.
- Abstract(参考訳): エアアクセスネットワークは、様々なモノのインターネット(IoT)サービスやアプリケーションの重要なドライバとして認識されている。
特に、IoT(Internet of Drones)を中心とした航空コンピューティングネットワークのインフラは、画像の自動認識に革命を起こした。
この新たな技術は、無人航空機群(uav)間で地上の真実をラベル付けしたデータを共有し、高品質の自動画像認識モデルを訓練する。
しかし、このアプローチはデータのプライバシとデータ可用性の課題をもたらす。
これらの問題に対処するため,我々はまず,プライバシー保全型uav画像認識のための半教師付き連合学習(ssfl)フレームワークを提案する。
具体的には,フェデレート混合 (federated mixing, fedmix) と呼ばれる2つの現実的なシナリオ (labels-at-client と labels-at-server) において, fl と半教師付き学習手法のネーティブな組み合わせを改善するためのモデルパラメータ混合戦略を提案する。
さらに、異なる環境、すなわち統計的不均一性において異なるカメラモジュールを用いてUAVが収集したローカルデータの数、特徴、分布に有意な違いがある。
統計的不均一性問題を解決するため,我々は,クライアントの学習参加頻度に基づく集約ルール,すなわち,対応する局所モデルの重みをその頻度に応じて調整できるfeedfreq集約ルールを提案する。
その結果,提案手法の性能は現在のベースラインよりも著しく向上し,非iidレベルの異なるクライアントデータに対して頑健であることが判明した。
関連論文リスト
- FLASH: Federated Learning Across Simultaneous Heterogeneities [54.80435317208111]
FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。
ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。
最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
論文 参考訳(メタデータ) (2024-02-13T20:04:39Z) - L-DAWA: Layer-wise Divergence Aware Weight Aggregation in Federated
Self-Supervised Visual Representation Learning [14.888569402903562]
自己教師付き学習(SSL)とフェデレーション付き学習(FL)をひとつのコヒーレントシステムに統合することは、データプライバシの保証を提供する可能性がある。
本稿では,FLアグリゲーションにおけるクライアントバイアスや分散の影響を軽減するため,レイヤワイド・ディバージェンス・アウェア・ウェイト・アグリゲーション(L-DAWA)と呼ばれる新たなアグリゲーション戦略を提案する。
論文 参考訳(メタデータ) (2023-07-14T15:07:30Z) - Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。
FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。
この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文 参考訳(メタデータ) (2023-03-31T10:13:01Z) - AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust
Autonomous Driving [15.486799633600423]
AutoFedは、自動運転車のマルチモーダルセンサーデータをフル活用するためのフレームワークである。
本研究では, 未知の物体を背景として誤って扱うことを避けるために, 擬似ラベルを用いた新しいモデルを提案する。
また、欠落したデータモダリティを補うために、オートエンコーダに基づくデータ計算手法を提案する。
論文 参考訳(メタデータ) (2023-02-17T01:31:53Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - 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) - Supernet Training for Federated Image Classification under System
Heterogeneity [15.2292571922932]
本研究では,2つのシナリオ,すなわちフェデレーション・オブ・スーパーネット・トレーニング(FedSup)を考えるための新しい枠組みを提案する。
フェデレートラーニング(FL)のモデルアグリゲーション段階でのパラメータの平均化は、スーパーネットトレーニングにおけるウェイトシェアリングとどのように似ているかに着想を得ている。
本フレームワークでは,通信コストの削減とトレーニングオーバーヘッドの低減のために,放送段階のクライアントにサブモデルを送信することで,効率的なアルゴリズム(E-FedSup)を提案する。
論文 参考訳(メタデータ) (2022-06-03T02:21:01Z) - Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。
本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。
Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文 参考訳(メタデータ) (2021-04-27T18:23:54Z) - 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)
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。