論文の概要: Mobile Augmented Reality with Federated Learning in the Metaverse

• arxiv url: http://arxiv.org/abs/2212.08324v1
• Date: Fri, 16 Dec 2022 07:53:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 16:23:38.409519
• Title: Mobile Augmented Reality with Federated Learning in the Metaverse
• Title（参考訳）: メタバースにおけるフェデレーション学習によるモバイル拡張現実
• Authors: Xinyu Zhou, Jun Zhao
• Abstract要約: メタバースはインターネットの次の進化と見なされ、最近多くの注目を集めている。 モバイルデバイスはコンピューティングにおいてより強力になり、その計算資源を機械学習モデルのトレーニングに活用することができる。 ユーザのプライバシとデータセキュリティに対する懸念が高まる中、フェデレーション学習は、プライバシ保護分析のための有望な分散学習フレームワークになっています。
• 参考スコア（独自算出の注目度）: 20.17720659393309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Metaverse is deemed the next evolution of the Internet and has received much attention recently. Metaverse applications via mobile augmented reality (MAR) require rapid and accurate object detection to mix digital data with the real world. As mobile devices evolve, they become more potent in computing. Hence, their computational resources can be leveraged to train machine learning models. In light of the increasing concerns of user privacy and data security, federated learning (FL) has become a promising distributed learning framework for privacy-preserving analytics. In this article, FL and MAR are brought together in the Metaverse. We discuss the necessity and rationality of the combination of FL and MAR. The prospective technologies that power FL and MAR in the Metaverse are also identified. In addition, existing challenges that prevent the fulfilment of FL and MAR in the Metaverse and several application scenarios are presented. Finally, two case studies of Metaverse FL-MAR systems are demonstrated.
• Abstract（参考訳）: メタバースはインターネットの次の進化と見なされ、最近多くの注目を集めている。 モバイル拡張現実(MAR)によるメタバースアプリケーションは、デジタルデータを現実世界と混在させるために、迅速かつ正確なオブジェクト検出を必要とする。 モバイルデバイスが進化するにつれて、それらはコンピューティングにおいてより強力になる。 したがって、彼らの計算資源は機械学習モデルをトレーニングするために利用することができる。 ユーザのプライバシとデータセキュリティの懸念が高まる中、フェデレーション学習(fl)は、プライバシ保存分析のための有望な分散学習フレームワークとなっている。 本稿では、FLとMARをMetaverseにまとめます。 FLとMARの組み合わせの必要性と合理性について論じる。 メタバースでFLとMARを駆動する将来技術も確認されている。 さらに、メタバースにおけるFLとMARの充足を防ぐ既存の課題と、いくつかのアプリケーションシナリオについて述べる。 最後にメタバースFL-MARシステムの2つのケーススタディを示す。

関連論文リスト

• 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)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• Federated Learning for Metaverse: A Survey [9.11795401227061]
  メタバースのためのフェデレートラーニング(FL4M)は強力なツールになるだろう。 FLは、エッジデバイスが自身のデータ、計算能力、モデル構築能力を使用して、ローカルにトレーニングタスクに参加することを可能にする。 FLをメタバースに適用することは、参加者のデータプライバシを保護するだけでなく、高いコンピューティングパワーとサーバ上の高メモリの必要性を低減する。
  論文  参考訳（メタデータ） (2023-03-23T15:15:40Z)
• 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)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• A Full Dive into Realizing the Edge-enabled Metaverse: Visions, Enabling Technologies,and Challenges [93.06849621984684]
  モバイルインターネットの後継である「メタバース」の人気が高まっている。 メタバースの礼儀正しいバージョンは現存しているが、没入的で具現化され、相互運用可能なメタバースの完全なビジョンを実現するには程遠い。 通信やネットワークによる実装の問題に対処しない限り、Metaverseはインターネットを継承することは困難である。 本稿では、リソース制約のあるエッジデバイス上でのメタバースを実現するために、計算課題とクラウド・エッジ・コンピューティング・フレームワーク駆動のソリューションについて議論する。
  論文  参考訳（メタデータ） (2022-03-10T16:48:51Z)
• Mobile Augmented Reality: User Interfaces, Frameworks, and Intelligence [7.711128826760378]
  Mobile Augmented Reality (MAR)は、コンピュータ生成された仮想オブジェクトとモバイルデバイスの物理的環境を統合する。 MARシステムは、スマートフォンやヘッドウーンウェアラブルなどのMARデバイスと対話し、物理世界からデジタルエンティティとの混在世界へのシームレスな遷移を行う。
  論文  参考訳（メタデータ） (2021-06-16T11:26:37Z)
• A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things [16.12159638852093]
  Federated Learning (FL) は、集中型トレーニングデータなしで、コラボレーションインテリジェンスを業界にもたらします。 FLは、企業がセキュリティ上の懸念からデータインテリジェンスを利用したいというジレンマを解決する。
  論文  参考訳（メタデータ） (2021-04-21T12:40:11Z)

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。