論文の概要: Application of federated learning in manufacturing
- arxiv url: http://arxiv.org/abs/2208.04664v1
- Date: Tue, 9 Aug 2022 11:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:58:40.967160
- Title: Application of federated learning in manufacturing
- Title（参考訳）: フェデレート学習の製造業への応用
- Authors: Vinit Hegiste, Tatjana Legler, Martin Ruskowski
- Abstract要約: フェデレート学習は2016年にGoogleの研究者によって初めて提案され、例えばGoogleのキーボードGboardの改良で使用されている。
本稿では,生産において他の制約がどの程度有効か,またフェデレートラーニングアプローチがどのような結果になるのかを考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A vast amount of data is created every minute, both in the private sector and
industry. Whereas it is often easy to get hold of data in the private
entertainment sector, in the industrial production environment it is much more
difficult due to laws, preservation of intellectual property, and other
factors. However, most machine learning methods require a data source that is
sufficient in terms of quantity and quality. A suitable way to bring both
requirements together is federated learning where learning progress is
aggregated, but everyone remains the owner of their data. Federate learning was
first proposed by Google researchers in 2016 and is used for example in the
improvement of Google's keyboard Gboard. In contrast to billions of android
users, comparable machinery is only used by few companies. This paper examines
which other constraints prevail in production and which federated learning
approaches can be considered as a result.
- Abstract（参考訳）: プライベートセクターと業界の両方で、毎分大量のデータが作成されます。
民間のエンターテイメント分野におけるデータの入手は容易であることが多いが、工業生産環境においては、法律、知的財産の保存、その他の要因により、はるかに困難である。
しかし、ほとんどの機械学習手法は量と品質の点で十分なデータソースを必要とする。
両方の要件をまとめる適切な方法は、学習の進捗を集約したフェデレーション学習だが、全員がデータの所有者である。
フェデレート学習は2016年にGoogleの研究者によって初めて提案され、例えばGoogleのキーボードGboardの改良で使用されている。
数十億のアンドロイドユーザーとは対照的に、同等の機械は少数の企業でしか使われていない。
本稿では,生産において他の制約がどの程度有効か,またフェデレートラーニングアプローチがどのような結果になるかを検討する。
関連論文リスト
- How to Do Machine Learning with Small Data? -- A Review from an
Industrial Perspective [1.443696537295348]
著者らは、"小さなデータ"の一般的な用語とそのエンジニアリングと産業アプリケーションの役割を解釈することに重点を置いている。
小さなデータはビッグデータと比較して様々な特性で定義され、機械学習形式が導入された。
産業アプリケーションにおける小さなデータによる機械学習の5つの重要な課題を提示する。
論文 参考訳（メタデータ） (2023-11-13T07:39:13Z) - Applications of Federated Learning in Manufacturing: Identifying the
Challenges and Exploring the Future Directions with Industry 4.0 and 5.0
Visions [3.8351350496532057]
製造環境では、データ収集と分析は、しばしば時間がかかり、困難で、コストがかかるプロセスである。
IoT(Internet of Things)の導入により、データをリアルタイムでファクトリ全体で統合的に収集することが可能になる。
本研究は, 製造業における連合学習の課題と今後の方向性を概観することを目的とする。
論文 参考訳（メタデータ） (2023-02-27T04:31:49Z) - Toward Data Heterogeneity of Federated Learning [4.737991126491218]
データスキューと量スキューが、最先端のフェデレーション学習アルゴリズムの性能にどのように影響するかを示す。
本稿では,既存のフェデレート学習アルゴリズムを適応する新しいアルゴリズムであるFedMixを提案する。
既存のFedProxやFedNovaのような最先端のアルゴリズムは、すべてのテストケースで大幅に改善されていない。
論文 参考訳（メタデータ） (2022-12-17T20:26:18Z) - Privacy-Preserving Machine Learning for Collaborative Data Sharing via
Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。
本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T17:36:58Z) - A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。
MLモデルは古いデータをよく記憶します。
機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文 参考訳（メタデータ） (2022-09-06T08:51:53Z) - Federated Self-Supervised Learning in Heterogeneous Settings: Limits of
a Baseline Approach on HAR [0.5039813366558306]
我々は,標準軽量オートエンコーダと標準フェデレーション平均化が,人間の活動認識の堅牢な表現を学習できないことを示す。
これらの知見は、フェデレーション・セルフ・スーパーバイザード・ラーニングにおけるより集中的な研究努力を提唱している。
論文 参考訳（メタデータ） (2022-07-17T14:15:45Z) - Open Environment Machine Learning [84.90891046882213]
従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。
本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
論文 参考訳（メタデータ） (2022-06-01T11:57:56Z) - Frugal Machine Learning [7.460473725109103]
本稿では,最小限の資源を用いて最も正確なモデルを構築することを目的としたフラジカルラーニングについて検討する。
最も有望なアルゴリズムは、スマートウォッチに実装して、時計自体のアクティビティ認識モデルを学ぶことによって、現実世界のシナリオで評価される。
論文 参考訳（メタデータ） (2021-11-05T21:27:55Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳（メタデータ） (2020-12-08T17:26:10Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z)
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。