Fugu-MT 論文翻訳(概要): eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference

論文の概要: eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference

arxiv url: http://arxiv.org/abs/2205.05756v1
Date: Wed, 11 May 2022 19:58:48 GMT
ステータス: 処理完了
システム内更新日: 2022-05-13 14:30:05.322343
Title: eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference
Title（参考訳）: eFedDNN: 軌道モード推論のためのアンサンブルに基づくフェデレーションディープニューラルネットワーク
Authors: Daniel Opoku Mensah and Godwin Badu-Marfo and Ranwa Al Mallah and Bilal Farooq
Abstract要約: GPSデータセットにはユーザのプライベート情報が含まれており、多くのユーザがサードパーティとプライベート情報を共有できない。この課題に対処するために、プライバシ保護機械学習技術であるフェデレートラーニング(FL)を使用します。提案手法は,プライバシを損なうことなく,ユーザの移動様式を正確に識別できることを示す。
参考スコア（独自算出の注目度）: 7.008213336755055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the most significant data source in smart mobility systems, GPS trajectories can help identify user travel mode. However, these GPS datasets may contain users' private information (e.g., home location), preventing many users from sharing their private information with a third party. Hence, identifying travel modes while protecting users' privacy is a significant issue. To address this challenge, we use federated learning (FL), a privacy-preserving machine learning technique that aims at collaboratively training a robust global model by accessing users' locally trained models but not their raw data. Specifically, we designed a novel ensemble-based Federated Deep Neural Network (eFedDNN). The ensemble method combines the outputs of the different models learned via FL by the users and shows an accuracy that surpasses comparable models reported in the literature. Extensive experimental studies on a real-world open-access dataset from Montreal demonstrate that the proposed inference model can achieve accurate identification of users' mode of travel without compromising privacy.
Abstract（参考訳）: スマートモビリティシステムにおける最も重要なデータソースとして、GPSトラジェクトリは、ユーザの移動モードを特定するのに役立つ。しかし、これらのGPSデータセットにはユーザーの個人情報(例えば、自宅の位置)が含まれており、多くのユーザーが第三者とプライベート情報を共有できない。したがって、ユーザのプライバシーを保護しながら旅行モードを識別することは重要な問題である。この課題に対処するために、私たちは、ユーザのローカルトレーニングされたモデルにアクセスすることによって、堅牢なグローバルモデルを協調的にトレーニングすることを目的とした、プライバシ保存型機械学習技術であるfederated learning(fl)を使用します。具体的には,新しいアンサンブルに基づくフェデレートディープニューラルネットワーク(eFedDNN)を設計した。このアンサンブル法は,ユーザがFLを用いて学習した異なるモデルの出力を組み合わせ,文献で報告された同等のモデルを上回る精度を示す。モントリオールの実際のオープンアクセスデータセットに関する大規模な実験的研究は、提案した推論モデルが、プライバシーを損なうことなく、ユーザの移動モードを正確に識別できることを示した。

関連論文リスト

Partial Federated Learning [26.357723187375665]
Federated Learning(FL)は、エッジデバイスに制約されたユーザデータに基づいて機械学習モデルをトレーニングする一般的なアルゴリズムである。そこで我々は、機械学習モデルに、データのサブセットをサーバに提供可能なデータを用いてトレーニングする、Partial Federated Learning (PartialFL) と呼ばれる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-03T21:04:36Z)
Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
論文参考訳（メタデータ） (2023-11-12T11:01:10Z)
Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文参考訳（メタデータ） (2022-10-24T10:59:29Z)
GOF-TTE: Generative Online Federated Learning Framework for Travel Time Estimation [8.05623264361826]
本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
論文参考訳（メタデータ） (2022-07-02T14:10:26Z)
Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。合成および実世界のデータセットに関する実験により理論的結果について述べる。
論文参考訳（メタデータ） (2022-02-10T20:44:44Z)
Location Leakage in Federated Signal Maps [7.093808731951124]
複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。 i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。 FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
論文参考訳（メタデータ） (2021-12-07T02:28:12Z)
Personalized Federated Learning over non-IID Data for Indoor Localization [17.03722514121803]
我々は、最近のフェデレートラーニングスキームを用いて、パーソナライズされたモデルのセットをトレーニングする。本稿では、最近のFLスキームを用いて、ベイズ規則により最適に融合されたパーソナライズされたモデルの集合を訓練する。
論文参考訳（メタデータ） (2021-07-09T03:31:16Z)
SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
論文参考訳（メタデータ） (2021-03-12T02:57:05Z)
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)
Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文参考訳（メタデータ） (2020-07-09T08:04:38Z)
Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。