Fugu-MT 論文翻訳(概要): A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges

論文の概要: A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges

arxiv url: http://arxiv.org/abs/2208.12996v1
Date: Sat, 27 Aug 2022 12:26:25 GMT
ステータス: 処理完了
システム内更新日: 2022-08-30 13:13:58.426327
Title: A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges
Title（参考訳）: フェデレーション学習型スマートストリート光モニタリングアプリケーション:メリットと今後の課題
Authors: Diya Anand and Ioannis Mavromatis and Pietro Carnelli and Aftab Khan
Abstract要約: フェデレートラーニング(FL)は、プライバシ保護とコミュニケーションの効率的な機械学習フレームワークを提供する上で、重要な役割を担います。スマートシティス街灯監視アプリケーションにおけるFLの実現可能性について検討した。
参考スコア（独自算出の注目度）: 1.405197962967472
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data-enabled cities are recently accelerated and enhanced with automated learning for improved Smart Cities applications. In the context of an Internet of Things (IoT) ecosystem, the data communication is frequently costly, inefficient, not scalable and lacks security. Federated Learning (FL) plays a pivotal role in providing privacy-preserving and communication efficient Machine Learning (ML) frameworks. In this paper we evaluate the feasibility of FL in the context of a Smart Cities Street Light Monitoring application. FL is evaluated against benchmarks of centralised and (fully) personalised machine learning techniques for the classification task of the lampposts operation. Incorporating FL in such a scenario shows minimal performance reduction in terms of the classification task, but huge improvements in the communication cost and the privacy preserving. These outcomes strengthen FL's viability and potential for IoT applications.
Abstract（参考訳）: データ対応都市は最近、スマートシティアプリケーションを改善するための自動学習によって加速され、強化されている。 IoT(Internet of Things)エコシステムのコンテキストでは、データ通信はコストがかかり、非効率で、スケーラビリティがなく、セキュリティが欠如しています。フェデレートラーニング(FL)は、プライバシ保護とコミュニケーションの効率的な機械学習(ML)フレームワークを提供する上で、重要な役割を果たす。本稿では,スマートシティの街路灯モニタリングアプリケーションにおいて,flの実現可能性を評価する。ランプポスト操作の分類タスクにおいて、集中型および(完全に)パーソナライズされた機械学習手法のベンチマークに対してflを評価する。このようなシナリオにFLを組み込むと、分類作業における性能が最小限に抑えられるが、通信コストとプライバシ保護に大きな改善がある。これらの結果は、IoTアプリケーションのFLの生存性と可能性を強化する。

関連論文リスト

Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文参考訳（メタデータ） (2024-09-17T22:20:26Z)
Exploring the Practicality of Federated Learning: A Survey Towards the Communication Perspective [1.088537320059347]
Federated Learning(FL)は、プライバシ保護、分散機械学習の大幅な進歩を提供する、有望なパラダイムである。しかし、FLシステムの実践的な展開は、通信オーバーヘッドという大きなボトルネックに直面している。本研究は,通信効率FLにおける様々な戦略と進歩について検討する。
論文参考訳（メタデータ） (2024-05-30T19:21:33Z)
Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文参考訳（メタデータ） (2023-12-07T20:39:57Z)
Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文参考訳（メタデータ） (2023-10-04T20:27:20Z)
Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文参考訳（メタデータ） (2023-03-23T02:42:10Z)
FedTrees: A Novel Computation-Communication Efficient Federated Learning Framework Investigated in Smart Grids [8.437758224218648]
次世代のスマートメーターは、エネルギー消費データの測定、記録、および報告に使用することができる。 FedTreesは、アンサンブル学習の際立った特徴の恩恵を受ける、新しくて軽量なFLフレームワークである。
論文参考訳（メタデータ） (2022-09-30T19:47:46Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
論文参考訳（メタデータ） (2022-02-15T13:36:15Z)
Communication Efficiency in Federated Learning: Achievements and Challenges [20.280125296921348]
フェデレートラーニング(FL)は、機械学習タスクを分散的に実行することで知られている。本稿では,FL設定における通信制約を克服する研究について述べる。
論文参考訳（メタデータ） (2021-07-23T02:13:11Z)
Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。