論文の概要: Improving Response Time of Home IoT Services in Federated Learning

• arxiv url: http://arxiv.org/abs/2202.13626v1
• Date: Mon, 28 Feb 2022 09:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:21:46.311713
• Title: Improving Response Time of Home IoT Services in Federated Learning
• Title（参考訳）: フェデレーション学習におけるホームIoTサービスの応答時間の改善
• Authors: Dongjun Hwang, Hyunsu Mun, Youngseok Lee
• Abstract要約: フェデレートラーニング(federated learning)と呼ばれる最近の機械学習アプローチは、分散コンピューティング環境でデバイス上のユーザデータを保持している。 ホームIoTサービスでは、エンドツーエンドの応答時間の観点からは、パフォーマンスが低くなる。 本稿では,ホームネットワークにおけるユーザ動作を迅速かつ正確に認識するフェデレーション学習ホームサービスのためのローカルIoT制御手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6445605125467572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For intelligent home IoT services with sensors and machine learning, we need to upload IoT data to the cloud server which cannot share private data for training. A recent machine learning approach, called federated learning, keeps user data on the device in the distributed computing environment. Though federated learning is useful for protecting privacy, it experiences poor performance in terms of the end-to-end response time in home IoT services, because IoT devices are usually controlled by remote servers in the cloud. In addition, it is difficult to achieve the high accuracy of federated learning models due to insufficient data problems and model inversion attacks. In this paper, we propose a local IoT control method for a federated learning home service that recognizes the user behavior in the home network quickly and accurately. We present a federated learning client with transfer learning and differential privacy to solve data scarcity and data model inversion attack problems. From experiments, we show that the local control of home IoT devices for user authentication and control message transmission by the federated learning clients improves the response time to less than 1 second. Moreover, we demonstrate that federated learning with transfer learning achieves 97% of accuracy under 9,000 samples, which is only 2% of the difference from centralized learning.
• Abstract（参考訳）: センサと機械学習を備えたインテリジェントなホームIoTサービスには、トレーニング用にプライベートデータを共有できないIoTデータをクラウドサーバにアップロードする必要があります。 フェデレーション学習と呼ばれる最近の機械学習アプローチは、分散コンピューティング環境でデバイス上のユーザデータを保持している。 フェデレーション学習はプライバシ保護に有用だが、IoTデバイスは通常、クラウド内のリモートサーバによって制御されるため、ホームIoTサービスにおけるエンドツーエンドのレスポンス時間の面ではパフォーマンスが劣る。 また,データ問題やモデル反転攻撃が不十分なため,フェデレーション学習モデルの高精度化は困難である。 本稿では,ホームネットワークにおけるユーザの動作を迅速かつ正確に認識する,フェデレーション学習ホームサービスのためのローカルiot制御手法を提案する。 本稿では,データ不足とデータモデル反転攻撃問題を解決するために,転送学習と差分プライバシを備えたフェデレーション学習クライアントを提案する。 実験から,ユーザ認証のためのホームIoTデバイスのローカル制御と,フェデレート学習クライアントによるメッセージ送信が,応答時間を1秒未満に改善することを示す。 さらに,移乗学習による連合学習は9,000例のサンプルで97%の精度を達成し,中央集中学習との差は2%に過ぎなかった。

関連論文リスト

• Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
  ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。 ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。 本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
  論文  参考訳（メタデータ） (2024-07-29T11:16:48Z)
• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• 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)
• Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things [4.68267059122563]
  本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:14:41Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Federated Learning for Internet of Things: Applications, Challenges, and Opportunities [20.935789038643936]
  フェデレートラーニング(FL)は、データを中央に持ってくる必要なしに、複数のクライアント間で協調する行為である。 我々は、IoTプラットフォームにおけるFLの機会と課題、そして将来のIoTアプリケーションをどのように実現できるかについて議論する。
  論文  参考訳（メタデータ） (2021-11-15T02:06:12Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
  我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。 現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
  論文  参考訳（メタデータ） (2021-06-15T08:53:42Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework [12.199870302894439]
  IoT(Internet of Things)は、現代生活のさまざまな側面に広く浸透している。 この記事では、インテリジェントなIoTアプリケーションのためのクラウドエッジアーキテクチャにおいて、パーソナライズされたフェデレーション付き学習フレームワークを推奨します。
  論文  参考訳（メタデータ） (2020-02-25T05:11:06Z)

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。