論文の概要: Collaborative Self Organizing Map with DeepNNs for Fake Task Prevention in Mobile Crowdsensing

• arxiv url: http://arxiv.org/abs/2203.12434v1
• Date: Thu, 17 Feb 2022 04:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 14:02:42.809646
• Title: Collaborative Self Organizing Map with DeepNNs for Fake Task Prevention in Mobile Crowdsensing
• Title（参考訳）: モバイルクラウドセンシングにおける偽タスク防止のためのdeepnnを用いた協調的自己組織化マップ
• Authors: Murat Simsek, Burak Kantarci, Azzedine Boukerche
• Abstract要約: モバイルクラウドセンシング(Mobile Crowdsensing、MCS)は、さまざまなサービスプロバイダがデータを収集、処理、分析する方法を変革したセンシングパラダイムである。 データ中毒、クロッギングタスク攻撃、偽検知タスクなどの様々な脅威は、MCSシステムの性能に悪影響を及ぼす。 この作業では、教師なしの方法でトレーニングされたニューラルネットワークであるSelf Organizing Feature Map(SOFM)を使用して、データセット内の正当なデータを事前クラスタする。
• 参考スコア（独自算出の注目度）: 26.6224977032229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile Crowdsensing (MCS) is a sensing paradigm that has transformed the way that various service providers collect, process, and analyze data. MCS offers novel processes where data is sensed and shared through mobile devices of the users to support various applications and services for cutting-edge technologies. However, various threats, such as data poisoning, clogging task attacks and fake sensing tasks adversely affect the performance of MCS systems, especially their sensing, and computational capacities. Since fake sensing task submissions aim at the successful completion of the legitimate tasks and mobile device resources, they also drain MCS platform resources. In this work, Self Organizing Feature Map (SOFM), an artificial neural network that is trained in an unsupervised manner, is utilized to pre-cluster the legitimate data in the dataset, thus fake tasks can be detected more effectively through less imbalanced data where legitimate/fake tasks ratio is lower in the new dataset. After pre-clustered legitimate tasks are separated from the original dataset, the remaining dataset is used to train a Deep Neural Network (DeepNN) to reach the ultimate performance goal. Pre-clustered legitimate tasks are appended to the positive prediction outputs of DeepNN to boost the performance of the proposed technique, which we refer to as pre-clustered DeepNN (PrecDeepNN). The results prove that the initial average accuracy to discriminate the legitimate and fake tasks obtained from DeepNN with the selected set of features can be improved up to an average accuracy of 0.9812 obtained from the proposed machine learning technique.
• Abstract（参考訳）: モバイルクラウドセンシング(MCS)は、さまざまなサービスプロバイダがデータを収集し、処理し、分析する方法を変革したセンシングパラダイムである。 mcsは、最先端技術のための様々なアプリケーションやサービスをサポートするために、ユーザのモバイルデバイスを通じてデータがセンシングされ共有される、新しいプロセスを提供する。 しかし、データ中毒、詰まったタスクアタック、偽のセンシングタスクといった様々な脅威は、mcsシステム、特にそのセンシングと計算能力のパフォーマンスに悪影響を及ぼす。 フェイクセンシングタスクの提出は、正当なタスクとモバイルデバイスリソースの完成を目標としているため、mcsプラットフォームリソースも排除している。 本研究では、教師なしでトレーニングされたニューラルネットワークであるSelf Organizing Feature Map(SOFM)を用いて、データセット内の正当データを事前クラスタリングすることにより、新しいデータセットにおいて正当/偽タスク比率が低い不均衡なデータにより、偽タスクをより効果的に検出することができる。 クラスタ化された正規タスクが元のデータセットから分離された後、残りのデータセットを使用して、最終的なパフォーマンス目標に到達するためのDeep Neural Network(DeepNN)をトレーニングする。 提案手法の性能向上のために,DeepNNの正の予測出力に,事前クラスタ化された正規タスクを付加し,事前クラスタ化されたDeepNN(PrecDeepNN)と呼ぶ。 その結果、DeepNNから得られた正当性と偽のタスクを、選択した特徴セットで識別する初期平均精度が、提案した機械学習技術から得られる平均精度0.9812まで向上できることが証明された。

関連論文リスト

• Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。 我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。 その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
  論文  参考訳（メタデータ） (2024-09-27T11:20:20Z)
• Digital Twin-Based User-Centric Edge Continual Learning in Integrated Sensing and Communication [12.78137871351962]
  本稿では,ISACシステムにおけるセンサデータ処理のためのディジタルツイン(DT)に基づくユーザ中心アプローチを提案する。 ISAC装置のDTは、サーバの長期計算コストに対する潜在的な決定の影響を予測するために構築される。 提案手法の優れた性能を示すために,DNNに基づく人体動作認識タスクの実行実験を行った。
  論文  参考訳（メタデータ） (2023-11-20T22:27:14Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• Scalable Neural Data Server: A Data Recommender for Transfer Learning [70.06289658553675]
  転送学習は、下流のパフォーマンスを改善するために追加データを活用する一般的な戦略である。 Nerve Data Server (NDS)は、特定の下流タスクに関連するデータを推奨する検索エンジンで、この問題に対処するためにこれまで提案されていた。 NDSは、データソースでトレーニングされた専門家の混合物を使用して、各ソースと下流タスクの類似性を推定する。 SNDSは、中間データセットに近接して、データソースと下流タスクの両方を表現します。
  論文  参考訳（メタデータ） (2022-06-19T12:07:32Z)
• Target Aware Network Architecture Search and Compression for Efficient Knowledge Transfer [9.434523476406424]
  本稿では,効率的な知識伝達を可能にするTASCNetという2段階のフレームワークを提案する。 TASCNetは、トレーニング可能なパラメータとFLOPの両方を削減することにより、目標タスク上の事前学習されたCNNの計算複雑性を低減する。 コンピュータビジョンタスクと同様に、映画レビューセンチメント分析タスクでも実験を行った。
  論文  参考訳（メタデータ） (2022-05-12T09:11:00Z)
• FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
  マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。 本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。 このアプローチは、検出と追跡の両方において高い精度を達成する。
  論文  参考訳（メタデータ） (2020-04-04T08:18:00Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。