論文の概要: Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2303.04340v1
• Date: Wed, 8 Mar 2023 02:33:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 15:18:00.388079
• Title: Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles
• Title（参考訳）: 連結自動運転車のプライバシー保護と不確実性を考慮したフェデレーション軌道予測
• Authors: Muzi Peng, Jiangwei Wang, Dongjin Song, Fei Miao, Lili Su
• Abstract要約: 我々は、コネクテッド・オートモービルにおけるフェデレート・ラーニングを用いて、データ収集の要件を緩和し、不確実性を向上する。 Argoverseデータセットの実験では、FLTPはローカルデータに基づいてトレーニングされたモデルよりも大幅に優れていた。 ALFTP-AUは、トレーニング回帰損失においてより高速に収束し、NLL、minADE、MRの点でパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 10.75047689031697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning is the method of choice for trajectory prediction for autonomous vehicles. Unfortunately, its data-hungry nature implicitly requires the availability of sufficiently rich and high-quality centralized datasets, which easily leads to privacy leakage. Besides, uncertainty-awareness becomes increasingly important for safety-crucial cyber physical systems whose prediction module heavily relies on machine learning tools. In this paper, we relax the data collection requirement and enhance uncertainty-awareness by using Federated Learning on Connected Autonomous Vehicles with an uncertainty-aware global objective. We name our algorithm as FLTP. We further introduce ALFLTP which boosts FLTP via using active learning techniques in adaptatively selecting participating clients. We consider both negative log-likelihood (NLL) and aleatoric uncertainty (AU) as client selection metrics. Experiments on Argoverse dataset show that FLTP significantly outperforms the model trained on local data. In addition, ALFLTP-AU converges faster in training regression loss and performs better in terms of NLL, minADE and MR than FLTP in most rounds, and has more stable round-wise performance than ALFLTP-NLL.
• Abstract（参考訳）: ディープラーニングは、自動運転車の軌道予測の選択方法である。 残念ながら、データ不足の性質は暗黙的に、十分にリッチで高品質な集中型データセットの可用性を必要とするため、簡単にプライバシーの漏洩につながる。 さらに、予測モジュールが機械学習ツールに大きく依存している安全に厳しいサイバー物理システムにとって、不確実性を認識することがますます重要になる。 本稿では,コネクテッド・オートモービルズにおけるフェデレート・ラーニング(Federated Learning on Connected autonomous Vehicles)によるデータ収集の要件を緩和し,不確実性意識を高める。 我々はこのアルゴリズムをFLTPと呼ぶ。 さらに、アクティブな学習技術を用いて、参加するクライアントを適応的に選択することで、FLTPを向上するALFLTPを紹介する。 負の対数類似度 (NLL) とアレタリック不確実性 (AU) の両方をクライアント選択指標とみなす。 Argoverseデータセットの実験では、FLTPはローカルデータに基づいてトレーニングされたモデルよりも大幅に優れていた。 さらに、ALFLTP-AUは、トレーニング回帰損失においてより早く収束し、ほとんどのラウンドでFLTPよりもNLL、minADE、MRの点で優れ、ALFLTP-NLLよりも安定なラウンドワイド性能を有する。

関連論文リスト

• Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
  フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、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。 しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。 本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
  論文  参考訳（メタデータ） (2024-09-29T01:56:45Z)
• FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
  フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。 我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。 本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
  論文  参考訳（メタデータ） (2024-06-05T20:06:59Z)
• FLrce: Resource-Efficient Federated Learning with Early-Stopping Strategy [7.963276533979389]
  フェデレートラーニング(FL)がIoT(Internet of Things)で大人気 FLrceは、関係ベースのクライアント選択と早期停止戦略を備えた効率的なFLフレームワークである。 その結果,既存のFLフレームワークと比較してFLrceは計算効率を少なくとも30%,通信効率を43%向上させることがわかった。
  論文  参考訳（メタデータ） (2023-10-15T10:13:44Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• 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)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• 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)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning [33.742677763076]
  フェデレートラーニング(FL)は、モデルパラメータがクライアントデータの代わりに交換されるアーキテクチャである。 FLは、コミュニケーションラウンドを通じてクライアントと通信することで、グローバルモデルをトレーニングする。 最適な候補クライアントとIoTクライアントアラームアプリケーションを見つけるために,オンラインステートフルFLを提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:32:31Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)

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。