論文の概要: Distributed Traffic Synthesis and Classification in Edge Networks: A
Federated Self-supervised Learning Approach
- arxiv url: http://arxiv.org/abs/2302.00207v1
- Date: Wed, 1 Feb 2023 03:23:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 18:02:03.110197
- Title: Distributed Traffic Synthesis and Classification in Edge Networks: A
Federated Self-supervised Learning Approach
- Title（参考訳）: エッジネットワークにおける分散トラフィック合成と分類:フェデレーション型自己教師型学習アプローチ
- Authors: Yong Xiao, Rong Xia, Yingyu Li, Guangming Shi, Diep N. Nguyen, Dinh
Thai Hoang, Dusit Niyato, Marwan Krunz
- Abstract要約: 本稿では,多数の異種データセット上での自動トラフィック解析と合成を支援するFS-GANを提案する。
FS-GANは複数の分散ジェネレーティブ・アドバイサル・ネットワーク(GAN)から構成される
FS-GANは未知のサービスのデータを分類し、未知のタイプのトラフィック分布をキャプチャする合成サンプルを作成する。
- 参考スコア（独自算出の注目度）: 83.2160310392168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rising demand for wireless services and increased awareness of the
need for data protection, existing network traffic analysis and management
architectures are facing unprecedented challenges in classifying and
synthesizing the increasingly diverse services and applications. This paper
proposes FS-GAN, a federated self-supervised learning framework to support
automatic traffic analysis and synthesis over a large number of heterogeneous
datasets. FS-GAN is composed of multiple distributed Generative Adversarial
Networks (GANs), with a set of generators, each being designed to generate
synthesized data samples following the distribution of an individual service
traffic, and each discriminator being trained to differentiate the synthesized
data samples and the real data samples of a local dataset. A federated
learning-based framework is adopted to coordinate local model training
processes of different GANs across different datasets. FS-GAN can classify data
of unknown types of service and create synthetic samples that capture the
traffic distribution of the unknown types. We prove that FS-GAN can minimize
the Jensen-Shannon Divergence (JSD) between the distribution of real data
across all the datasets and that of the synthesized data samples. FS-GAN also
maximizes the JSD among the distributions of data samples created by different
generators, resulting in each generator producing synthetic data samples that
follow the same distribution as one particular service type. Extensive
simulation results show that the classification accuracy of FS-GAN achieves
over 20% improvement in average compared to the state-of-the-art
clustering-based traffic analysis algorithms. FS-GAN also has the capability to
synthesize highly complex mixtures of traffic types without requiring any
human-labeled data samples.
- Abstract（参考訳）: ワイヤレスサービスの需要が高まり、データ保護の必要性に対する認識が高まる中、既存のネットワークトラフィック分析と管理アーキテクチャは、ますます多様化するサービスやアプリケーションの分類と合成において、前例のない課題に直面している。
本稿では,多種多様なデータセットを対象とした自動トラフィック解析と合成を支援する,フェデレーション付き自己教師付き学習フレームワークFS-GANを提案する。
FS-GANは、複数の分散型ジェネレータネットワーク(GAN)で構成され、各ジェネレータは、個々のサービストラフィックの分布に従って合成データサンプルを生成するように設計され、各識別器は、ローカルデータセットの合成データサンプルと実際のデータサンプルを区別するように訓練されている。
異なるデータセットにまたがる異なるganのローカルモデルトレーニングプロセスを調整するために、連合学習ベースのフレームワークが採用されている。
FS-GANは未知のサービスのデータを分類し、未知のタイプのトラフィック分布をキャプチャする合成サンプルを作成する。
FS-GANは,全データセットにおける実データ分布と合成データサンプル間のJensen-Shannon Divergence (JSD) を最小化できることを示す。
FS-GANはまた、異なるジェネレータによって生成されたデータサンプルの分布の中でJSDを最大化し、それぞれのジェネレータは特定のサービスタイプと同じ分布に従う合成データサンプルを生成する。
FS-GANの分類精度は,最先端クラスタリングに基づくトラフィック解析アルゴリズムと比較して平均20%以上向上している。
FS-GANは、人間ラベルのデータサンプルを必要とせずに、非常に複雑な交通種類の混合物を合成する機能もある。
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) - FLIGAN: Enhancing Federated Learning with Incomplete Data using GAN [1.5749416770494706]
Federated Learning (FL)は、ネットワークデバイス上での機械学習モデルの分散トレーニングのためのプライバシ保護メカニズムを提供する。
本稿では,FLにおけるデータ不完全性問題に対処する新しいアプローチであるFLIGANを提案する。
本手法はFLのプライバシ要件に則り,プロセス内の実際のデータを共有せずに合成データをフェデレートした方法で生成する。
論文 参考訳（メタデータ） (2024-03-25T16:49:38Z) - PFL-GAN: When Client Heterogeneity Meets Generative Models in
Personalized Federated Learning [55.930403371398114]
パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。
PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。
いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
論文 参考訳（メタデータ） (2023-08-23T22:38:35Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Creating Synthetic Datasets for Collaborative Filtering Recommender
Systems using Generative Adversarial Networks [1.290382979353427]
機械学習における研究と教育には、必要なトレーニング、検証、テストタスクを処理するために、多様な、代表的でオープンなデータセットが必要です。
この研究の多様性を養うためには、既存のデータセットを合成データセットで補強する必要がある。
本稿では,協調フィルタリングデータセットを生成するGAN(Generative Adversarial Network)に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T14:23:27Z) - Federated Learning with GAN-based Data Synthesis for Non-IID Clients [8.304185807036783]
フェデレートラーニング(FL)は、最近、プライバシ保護のためのコラボレーティブラーニングパラダイムとして人気を博している。
我々は,合成データを共有することで,この非IID課題を解決するために,SDA-FL(Synthetic Data Aided Federated Learning)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-11T11:43:25Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Federated Traffic Synthesizing and Classification Using Generative
Adversarial Networks [30.686118264562598]
本稿では,FGAN-AC(Federated Generative Adversarial Networks and Automatic Classification)という新しいフレームワークを紹介する。
FGAN-ACは、大量の手動ラベル付きデータセットを必要とせず、データ漏洩を引き起こすことなく、分散型ローカルデータセットから複数のタイプのサービスデータトラフィックを合成および分類することができます。
論文 参考訳（メタデータ） (2021-04-21T08:10:46Z) - Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。
GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。
無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。
GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
論文 参考訳（メタデータ） (2020-07-13T14:51:02Z) - Brainstorming Generative Adversarial Networks (BGANs): Towards
Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。
多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。
本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-02T02:58:32Z)
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。