論文の概要: Caring Without Sharing: A Federated Learning Crowdsensing Framework for Diversifying Representation of Cities

• arxiv url: http://arxiv.org/abs/2201.07980v1
• Date: Thu, 20 Jan 2022 03:24:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:02:32.485590
• Title: Caring Without Sharing: A Federated Learning Crowdsensing Framework for Diversifying Representation of Cities
• Title（参考訳）: 共有のないケア:都市表現の多様化のための連合学習クラウドセンシングフレームワーク
• Authors: Michael Cho, Afra Mashhadi
• Abstract要約: モバイルクラウドセンシングは、研究者が市民から大規模に行動データを収集するための主要なストリームパラダイムとなっている。 近年,MCSパラダイムを,よりプライバシ保護された協調学習,すなわちフェデレート学習に移行するための新たな経路が出現している。 我々は,通常の歩道障害物の表現を学習するために,2つの視覚アルゴリズムを多様化するケーススタディを通じて,フレームワークの機能を示す。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile Crowdsensing has become main stream paradigm for researchers to collect behavioral data from citizens in large scales. This valuable data can be leveraged to create centralized repositories that can be used to train advanced Artificial Intelligent (AI) models for various services that benefit society in all aspects. Although decades of research has explored the viability of Mobile Crowdsensing in terms of incentives and many attempts have been made to reduce the participation barriers, the overshadowing privacy concerns regarding sharing personal data still remain. Recently a new pathway has emerged to enable to shift MCS paradigm towards a more privacy-preserving collaborative learning, namely Federated Learning. In this paper, we posit a first of its kind framework for this emerging paradigm. We demonstrate the functionalities of our framework through a case study of diversifying two vision algorithms through to learn the representation of ordinary sidewalk obstacles as part of enhancing visually impaired navigation.
• Abstract（参考訳）: モバイルクラウドセンシングは、研究者が市民から大規模に行動データを収集するための主要なストリームパラダイムとなっている。 この貴重なデータは、あらゆる面で社会に利益をもたらすさまざまなサービスの高度な人工知能(AI)モデルをトレーニングするために使用できる集中リポジトリを作成するために利用することができる。 何十年にもわたって、モバイルクラウドセンシングの可能性をインセンティブの観点から調査し、参加障壁を減らすために多くの試みがなされてきたが、個人情報の共有に関するプライバシー上の懸念は、いまだに隠されている。 近年,MCSパラダイムを,よりプライバシ保護された協調学習,すなわちフェデレート学習に移行するための新たな経路が出現している。 本稿では,この新たなパラダイムのための第1のフレームワークを提案する。 視覚障害者のナビゲーション向上の一環として,2つの視覚アルゴリズムを多角化し,通常の歩道障害物の表現を学習するケーススタディを通じて,枠組みの機能を示す。

関連論文リスト

• Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
  蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。 Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。 提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-11T07:36:19Z)
• A Survey of Incremental Transfer Learning: Combining Peer-to-Peer Federated Learning and Domain Incremental Learning for Multicenter Collaboration [6.064986446665161]
  データプライバシの制約は、マルチセンターコラボレーションによる高性能なディープラーニングモデルの開発を妨げる。 ウェイトトランスファーメソッドは、生データなしで中間モデルウェイトを共有するため、データのプライバシ制限を回避できる。 モデルを1つの中心から次の中心に移すと、問題を忘れてしまうため、性能低下が観測される。 本研究では、従来のドメイン/タスクインクリメンタル学習フレームワークをインクリメンタルトランスファー学習に適用する。
  論文  参考訳（メタデータ） (2023-09-29T12:43:21Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Reinforcement Learning Based Multi-modal Feature Fusion Network for Novel Class Discovery [47.28191501836041]
  本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。 また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。 我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
  論文  参考訳（メタデータ） (2023-08-26T07:55:32Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• Accelerating exploration and representation learning with offline pre-training [52.6912479800592]
  1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。 ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-03-31T18:03:30Z)
• Predicting Human Mobility via Self-supervised Disentanglement Learning [21.61423193132924]
  本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。 本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。 4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-17T16:17:22Z)
• Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning [53.73083199055093]
  注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。 我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
  論文  参考訳（メタデータ） (2021-06-10T21:04:18Z)
• Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
  スマートデバイスは環境から大量のデータを収集することができる。 このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。 そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T17:01:58Z)
• Federated Crowdsensing: Framework and Challenges [20.110862329289272]
  クラウドセンシングは、スマートシティアプリケーションにとって有望なセンシングパラダイムである。 プライバシー保護は、クラウドセンシングシステムにおける重要な問題の1つだ。 本稿では,各クラウドセンシング段階のプライバシー問題を分析する,連合型クラウドセンシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-06T06:49:11Z)

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。