論文の概要: Unsupervised Recurrent Federated Learning for Edge Popularity Prediction
in Privacy-Preserving Mobile Edge Computing Networks
- arxiv url: http://arxiv.org/abs/2207.00755v1
- Date: Sat, 2 Jul 2022 06:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 10:52:32.693000
- Title: Unsupervised Recurrent Federated Learning for Edge Popularity Prediction
in Privacy-Preserving Mobile Edge Computing Networks
- Title（参考訳）: プライバシー保護型モバイルエッジコンピューティングネットワークにおけるエッジ人気予測のための教師なし反復学習
- Authors: Chong Zheng, Shengheng Liu, Yongming Huang, Wei Zhang, Luxi Yang
- Abstract要約: 本稿では,MEC対応IIoTのための教師なし,プライバシ保護による人気予測フレームワークを提案する。
提案したフレームワークは、ルート平均二乗誤差を最大60.5%-68.7%まで削減することで予測精度を向上させることができる。
- 参考スコア（独自算出の注目度）: 31.871608633577047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays wireless communication is rapidly reshaping entire industry sectors.
In particular, mobile edge computing (MEC) as an enabling technology for
industrial Internet of things (IIoT) brings powerful computing/storage
infrastructure closer to the mobile terminals and, thereby, significant lowers
the response latency. To reap the benefit of proactive caching at the network
edge, precise knowledge on the popularity pattern among the end devices is
essential. However, the complex and dynamic nature of the content popularity
over space and time as well as the data-privacy requirements in many IIoT
scenarios pose tough challenges to its acquisition. In this article, we propose
an unsupervised and privacy-preserving popularity prediction framework for
MEC-enabled IIoT. The concepts of local and global popularities are introduced
and the time-varying popularity of each user is modelled as a model-free Markov
chain. On this basis, a novel unsupervised recurrent federated learning (URFL)
algorithm is proposed to predict the distributed popularity while achieve
privacy preservation and unsupervised training. Simulations indicate that the
proposed framework can enhance the prediction accuracy in terms of a reduced
root-mean-squared error by up to $60.5\%-68.7\%$. Additionally, manual labeling
and violation of users' data privacy are both avoided.
- Abstract（参考訳）: 現在、無線通信は業界全体で急速に変化している。
特に、産業用IoT(Industrial Internet of Things, IIoT)の実現技術としてのモバイルエッジコンピューティング(MEC)は、強力なコンピューティング/ストレージインフラストラクチャをモバイル端末に近づけることで、応答レイテンシを大幅に低下させる。
ネットワークエッジにおけるアクティブキャッシュのメリットを享受するためには、エンドデバイス間の人気パターンに関する正確な知識が不可欠である。
しかし、空間や時間のコンテンツの人気と、多くのIIoTシナリオにおけるデータプライバシ要件の複雑さと動的な性質は、買収に難しい課題をもたらしている。
本稿では,MEC対応IIoTのための教師なし,プライバシ保護による人気予測フレームワークを提案する。
ローカルおよびグローバルな人気の概念を導入し、各ユーザの時間変化による人気度をモデルフリーなマルコフ連鎖としてモデル化する。
本研究では,非教師付き再帰的フェデレーション学習(urfl)アルゴリズムを提案し,プライバシ保護と教師なし学習を実現しつつ,分散人気を予測する。
シミュレーションにより,提案フレームワークはルート平均二乗誤差を最大60.5\%-68.7\%$に削減することで予測精度を向上できることが示された。
さらに、手動のラベル付けとユーザのデータプライバシの侵害も避けられる。
関連論文リスト
- PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。
送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。
我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
論文 参考訳（メタデータ） (2024-07-12T03:18:08Z) - Privacy-Preserving Distributed Learning for Residential Short-Term Load
Forecasting [11.185176107646956]
電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。
我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。
実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2024-02-02T16:39:08Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - CLSA: Contrastive Learning-based Survival Analysis for Popularity
Prediction in MEC Networks [36.01752474571776]
ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。
MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。
有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
論文 参考訳（メタデータ） (2023-03-21T15:57:46Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳（メタデータ） (2021-10-20T02:48:27Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳（メタデータ） (2021-07-07T14:25:43Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。