論文の概要: GOF-TTE: Generative Online Federated Learning Framework for Travel Time
Estimation
- arxiv url: http://arxiv.org/abs/2207.00838v1
- Date: Sat, 2 Jul 2022 14:10:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 11:42:39.357496
- Title: GOF-TTE: Generative Online Federated Learning Framework for Travel Time
Estimation
- Title（参考訳）: GOF-TTE:旅行時間推定のためのオンラインフェデレーション学習フレームワーク
- Authors: Zhiwen Zhang, Hongjun Wang, Jiyuan Chen, Zipei Fan, Xuan Song, Ryosuke
Shibasaki
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.05623264361826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the travel time of a path is an essential topic for intelligent
transportation systems. It serves as the foundation for real-world
applications, such as traffic monitoring, route planning, and taxi dispatching.
However, building a model for such a data-driven task requires a large amount
of users' travel information, which directly relates to their privacy and thus
is less likely to be shared. The non-Independent and Identically Distributed
(non-IID) trajectory data across data owners also make a predictive model
extremely challenging to be personalized if we directly apply federated
learning. Finally, previous work on travel time estimation does not consider
the real-time traffic state of roads, which we argue can significantly
influence the prediction. To address the above challenges, we introduce GOF-TTE
for the mobile user group, Generative Online Federated Learning Framework for
Travel Time Estimation, which I) utilizes the federated learning approach,
allowing private data to be kept on client devices while training, and designs
the global model as an online generative model shared by all clients to infer
the real-time road traffic state. II) apart from sharing a base model at the
server, adapts a fine-tuned personalized model for every client to study their
personal driving habits, making up for the residual error made by localized
global model prediction. % III) designs the global model as an online
generative model shared by all clients to infer the real-time road traffic
state. We also employ a simple privacy attack to our framework and implement
the differential privacy mechanism to further guarantee privacy safety.
Finally, we conduct experiments on two real-world public taxi datasets of DiDi
Chengdu and Xi'an. The experimental results demonstrate the effectiveness of
our proposed framework.
- Abstract（参考訳）: 経路の走行時間の推定は、インテリジェントな輸送システムにとって重要なトピックである。
交通監視、ルート計画、タクシーの発送など、現実世界のアプリケーションの基礎として機能している。
しかし、そのようなデータ駆動タスクのためのモデルを構築するには、大量のユーザの旅行情報が必要であり、それは自身のプライバシに直接関連しているため、共有される可能性が低い。
非独立かつIdentically Distributed(非IID)トラジェクトリデータをデータオーナに分散することで、フェデレート学習を直接適用した場合、パーソナライズすることが極めて困難になる。
最後に,前回の走行時間推定に関する研究では,道路のリアルタイム交通状況は考慮されていない。
以上の課題に対処するため,モバイルユーザグループ向けの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,I)フェデレーション学習アプローチを導入し,トレーニング中のクライアントデバイス上でプライベートデータを保持し,グローバルモデルを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設計し,リアルタイム道路交通状態を推定する。
II) サーバでベースモデルを共有することとは別に、各クライアントが個人運転の習慣を研究するために微調整されたパーソナライズされたモデルを適用し、局所的なグローバルモデル予測による残差を補う。
% iii) がグローバルモデルを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設計し、リアルタイム道路交通状態を推定している。
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。
最後に、DiDi ChengduとXi'anの2つの実世界の公共タクシーデータセットについて実験を行った。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Personalized Federated Learning with Mixture of Models for Adaptive Prediction and Model Fine-Tuning [22.705411388403036]
本稿では,新しい個人化フェデレーション学習アルゴリズムを提案する。
各クライアントは、局所的に微調整されたモデルと複数のフェデレートされたモデルを組み合わせることでパーソナライズされたモデルを構築する。
実データセットに関する理論的解析と実験は、このアプローチの有効性を裏付けるものである。
論文 参考訳（メタデータ） (2024-10-28T21:20:51Z) - Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。
現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。
個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
論文 参考訳（メタデータ） (2024-07-17T00:42:47Z) - Arrival Time Prediction for Autonomous Shuttle Services in the Real
World: Evidence from Five Cities [3.6294895527930504]
本研究では,自律型シャトルのAT予測システムを提案する。
停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。
最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
論文 参考訳（メタデータ） (2024-01-10T18:41:39Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - 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) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。
自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。
本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
論文 参考訳（メタデータ） (2022-11-20T06:13:06Z) - Personalized Federated Learning of Driver Prediction Models for
Autonomous Driving [25.166323120184188]
本稿では,ロバストなロボット学習モデルを多種多様なユーザ分布に特化するための,個人化されたフェデレートラーニング(FL)の新たなバリエーションを提案する。
提案アルゴリズムは,実ユーザ調査において,標準FLベンチマークを最大2倍に向上させる。
論文 参考訳（メタデータ） (2021-12-02T03:19:21Z) - Predicting Take-over Time for Autonomous Driving with Real-World Data:
Robust Data Augmentation, Models, and Evaluation [11.007092387379076]
我々は、運転者向けカメラビューで動作するコンピュータビジョンアルゴリズムによって作成される中高レベルの機能で動作するテイクオーバー時間(TOT)モデルを開発し、訓練する。
拡張データでサポートされたTOTモデルを用いて,遅延なく連続的なテイクオーバー時間を推定できることを示す。
論文 参考訳（メタデータ） (2021-07-27T16:39:50Z)
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。