論文の概要: Privacy Preserving Machine Learning for Electric Vehicles: A Survey

• arxiv url: http://arxiv.org/abs/2205.08462v2
• Date: Fri, 20 Dec 2024 10:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 19:50:36.254441
• Title: Privacy Preserving Machine Learning for Electric Vehicles: A Survey
• Title（参考訳）: 電気自動車のプライバシ保護機械学習に関する調査
• Authors: Abdul Rahman Sani, Muneeb Ul Hassan, Longxiang Gao, Jinjun Chen,
• Abstract要約: 電気自動車(EV)は毎日膨大な量のデータを生成する。 マシン/ディープ学習技術は様々なEVアプリケーションに使われている。 収集、ストレージ、および車両データのトレーニング中のプライバシー漏洩は重要な懸念事項である。
• 参考スコア（独自算出の注目度）: 5.274179687547811
• License:
• Abstract: In the recent years, the interest of individual users in modern electric vehicles (EVs) has grown exponentially. An EV has two major components, which make it different from traditional vehicles, first is its environment friendly nature because of being electric, and second is the interconnection ability of these vehicles because of modern information and communication technologies (ICTs). Both of these features are playing a key role in the development of EVs, and both academia and industry personals are working towards development of modern protocols for EV networks. All these interactions, whether from energy perspective or from communication perspective, both are generating a tremendous amount of data every day. In order to get most out of this data collected from EVs, research works have highlighted the use of machine/deep learning techniques for various EV applications. This interaction is quite fruitful, but it also comes with a critical concern of privacy leakage during collection, storage, and training of vehicular data. Therefore, alongside developing machine/deep learning techniques for EVs, it is also critical to ensure that they are resilient to private information leakage and attacks. In this paper, we begin with the discussion about essential background on EVs and privacy preservation techniques, followed by a brief overview of privacy preservation in EVs using machine learning techniques. Particularly, we also focus on an in-depth review of the integration of privacy techniques in EVs and highlighted different application scenarios in EVs. Alongside this, we provide a a very detailed survey of current works on privacy preserving machine/deep learning techniques used for modern EVs. Finally, we present the certain research issues, critical challenges, and future directions of research for researchers working in privacy preservation in EVs.
• Abstract（参考訳）: 近年,現代の電気自動車(EV)の利用者の関心は指数関数的に増大している。 EVには2つの主要コンポーネントがあり、これは従来の車両と異なり、第1に、電気によって環境に優しい性質であり、第2に、現代の情報通信技術(ICT)により、これらの車両の相互接続能力である。 どちらもEVの開発において重要な役割を担っており、学界と業界関係者の両方がEVネットワークのための現代的なプロトコルの開発に取り組んでいる。 これらの相互作用は、エネルギーの観点からも通信の観点からも、どちらも毎日膨大な量のデータを生成しています。 EVから収集したデータを最大限に活用するために、さまざまなEVアプリケーションにマシン/ディープ学習技術を使用することが研究で強調されている。 このインタラクションは非常に実りあるものですが、コレクション、ストレージ、および車両データのトレーニングの間、プライバシーの漏洩に関する重要な懸念も伴います。 したがって、EVのためのマシン/ディープ学習技術の開発と並行して、プライベート情報漏洩や攻撃に対する耐性を確保することも重要である。 本稿では,EVとプライバシ保護技術の本質的背景と,マシンラーニング技術を用いたEVのプライバシ保護に関する簡単な概要について述べる。 特に、EVにおけるプライバシー技術の統合の詳細なレビューや、EVにおけるさまざまなアプリケーションシナリオの強調にも重点を置いています。 これに加えて、現代のEVで使用されるプライバシ保護マシン/ディープラーニング技術に関する現在の研究について、非常に詳細な調査を行っている。 最後に、EVのプライバシー保護に携わる研究者に対して、特定の研究課題、批判的課題、今後の研究方向性を提示する。

関連論文リスト

• Privacy Preserving Charge Location Prediction for Electric Vehicles [12.421831663681056]
  電気自動車(EV)は、エネルギー生成、グリッドインフラストラクチャ、データプライバシに課題を提起する。 EVルーティングと充電管理に関する現在の研究は、エネルギー需要を予測する際にプライバシーを過小評価することが多い。 EV充電位置予測のためのプライバシ重視のソリューションを開発した。
  論文  参考訳（メタデータ） (2025-01-31T03:14:36Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• HoneyEVSE: An Honeypot to emulate Electric Vehicle Supply Equipments [14.413675592484926]
  HoneyEVSEは、電気自動車の充電ステーションをシミュレートする最初のハニーポットである。 HoneyEVSEは、EV充電プロセスの忠実度の高さをシミュレートすると同時に、ユーザがダッシュボードを通じてそれを操作できるようにする。 結果から,HoneyEVSEは露呈したサービス上で多数のインタラクションを惹きつけながら,Shodan honeyscoreメトリックを回避できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-12T09:15:07Z)
• EVKG: An Interlinked and Interoperable Electric Vehicle Knowledge Graph for Smart Transportation System [5.600639345303369]
  本稿では,EV中心の知識グラフ(EVKG)を包括的でクロスドメインかつオープンな地理空間知識管理システムとして提示する。 EVKGはEV導入、電気自動車の供給装置、送電網など、EV関連の重要な知識をカプセル化している。 6つの有能な質問を用いて、EVKGが様々な種類のEV関連質問にどのように答えられるかを実証する。
  論文  参考訳（メタデータ） (2023-04-10T23:01:02Z)
• Delving into the Devils of Bird's-eye-view Perception: A Review, Evaluation and Recipe [115.31507979199564]
  鳥眼視(BEV)における知覚タスクの強力な表現の学習は、産業と学界の両方から注目されつつある。 センサーの構成が複雑化するにつれて、異なるセンサーからの複数のソース情報の統合と、統一されたビューにおける特徴の表現が重要になる。 BEV知覚の中核的な問題は、(a)視点からBEVへの視点変換を通して失われた3D情報を再構成する方法、(b)BEVグリッドにおける基底真理アノテーションの取得方法、(d)センサー構成が異なるシナリオでアルゴリズムを適応・一般化する方法にある。
  論文  参考訳（メタデータ） (2022-09-12T15:29:13Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Driving and charging an EV in Australia: A real-world analysis [0.0]
  本研究は,オーストラリア全土の239台のEVの実走行および充電パターンのデータ収集を目的とする。 2021年11月にアプリケーションプログラミングインターフェースプラットフォームを通じて、現在のEV所有者からのデータ収集が開始され、現在公開されている。
  論文  参考訳（メタデータ） (2022-06-03T11:01:23Z)
• EVBattery: A Large-Scale Electric Vehicle Dataset for Battery Health and Capacity Estimation [15.169440280225647]
  電気自動車(EV)は二酸化炭素排出量を減らす上で重要な役割を果たしている。 EVの採用が加速するにつれ、EVバッテリーによる安全性の問題が重要な研究トピックとなっている。 この課題に対して,データ駆動方式のベンチマークと開発を行うため,EVバッテリの大規模かつ包括的なデータセットを導入する。 我々のデータセットは、実世界のバッテリーデータに関する最初の大規模な公開データセットであり、既存のデータには数台の車両しか含まれていないか、実験室で収集されている。
  論文  参考訳（メタデータ） (2022-01-28T10:06:39Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)
• Beyond privacy regulations: an ethical approach to data usage in transportation [64.86110095869176]
  本稿では,フェデレート機械学習を交通分野に適用する方法について述べる。 フェデレートラーニングは、ユーザのプライバシを尊重しつつ、プライバシに敏感なデータを処理可能にする方法だと考えています。
  論文  参考訳（メタデータ） (2020-04-01T15:10:12Z)

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。