論文の概要: Zone-based Federated Learning for Mobile Sensing Data

• arxiv url: http://arxiv.org/abs/2303.06246v1
• Date: Fri, 10 Mar 2023 23:37:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 20:15:45.325131
• Title: Zone-based Federated Learning for Mobile Sensing Data
• Title（参考訳）: モバイルセンシングデータのためのゾーンベースフェデレーション学習
• Authors: Xiaopeng Jiang, Thinh On, NhatHai Phan, Hessamaldin Mohammadi, Vijaya Datta Mayyuri, An Chen, Ruoming Jin, Cristian Borcea
• Abstract要約: mHealthやウェルネスアプリケーションといったモバイルアプリは、スマートフォンやウェアラブルデバイスによって収集されたモバイルセンシングデータでトレーニングされたディープラーニング(DL)モデルの恩恵を受けることができる。 現在、ユーザの移動行動に適応しながらモデル精度を同時に達成し、ユーザ数の増加とともにスケールし、ユーザデータのプライバシを保護するモバイルセンシング用DLシステムは存在しない。 ゾーンベースのフェデレーションラーニング(ZoneFL)を提案し,これらの要件に対処する。ゾーンFLは,物理空間を,モデル精度とスケーラビリティを向上するために,モバイルエッジシステムアーキテクチャにマップされた地理的ゾーンに分割する。
• 参考スコア（独自算出の注目度）: 10.357172413793437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile apps, such as mHealth and wellness applications, can benefit from deep learning (DL) models trained with mobile sensing data collected by smart phones or wearable devices. However, currently there is no mobile sensing DL system that simultaneously achieves good model accuracy while adapting to user mobility behavior, scales well as the number of users increases, and protects user data privacy. We propose Zone-based Federated Learning (ZoneFL) to address these requirements. ZoneFL divides the physical space into geographical zones mapped to a mobile-edge-cloud system architecture for good model accuracy and scalability. Each zone has a federated training model, called a zone model, which adapts well to data and behaviors of users in that zone. Benefiting from the FL design, the user data privacy is protected during the ZoneFL training. We propose two novel zone-based federated training algorithms to optimize zone models to user mobility behavior: Zone Merge and Split (ZMS) and Zone Gradient Diffusion (ZGD). ZMS optimizes zone models by adapting the zone geographical partitions through merging of neighboring zones or splitting of large zones into smaller ones. Different from ZMS, ZGD maintains fixed zones and optimizes a zone model by incorporating the gradients derived from neighboring zones' data. ZGD uses a self-attention mechanism to dynamically control the impact of one zone on its neighbors. Extensive analysis and experimental results demonstrate that ZoneFL significantly outperforms traditional FL in two models for heart rate prediction and human activity recognition. In addition, we developed a ZoneFL system using Android phones and AWS cloud. The system was used in a heart rate prediction field study with 63 users for 4 months, and we demonstrated the feasibility of ZoneFL in real-life.
• Abstract（参考訳）: mhealthやwellness applicationsといったモバイルアプリは、スマートフォンやウェアラブルデバイスから収集されたモバイルセンシングデータでトレーニングされたディープラーニング(dl)モデルを活用することができる。 しかし、現在のモバイルセンシングdlシステムは、ユーザのモビリティ行動に適応しながら、適切なモデル精度を同時に達成し、ユーザ数の増加に応じてスケールし、ユーザデータのプライバシを保護する。 これらの要件に対処するため、ゾーンベースフェデレートラーニング(ZoneFL)を提案する。 ZoneFLは、物理空間を、適切なモデル精度とスケーラビリティのために、モバイルエッジクラウドシステムアーキテクチャにマッピングされた地理的ゾーンに分割する。 各ゾーンには、ゾーンモデルと呼ばれる連合トレーニングモデルがあり、ゾーン内のユーザのデータや行動にうまく適応する。 FL設計から恩恵を受けるため、ユーザデータのプライバシは、ZoneFLトレーニング中に保護される。 本研究では,ゾーンマージ・アンド・スプリット (zms) とゾーン勾配拡散 (zgd) の2つのゾーンモデルを最適化するゾーンベースフェデレーショントレーニングアルゴリズムを提案する。 ZMSは、隣接するゾーンをマージしたり、大きなゾーンを小さなゾーンに分割することで、ゾーン分割を適応することでゾーンモデルを最適化する。 ZMSとは異なり、ZGDは固定ゾーンを維持し、隣り合うゾーンのデータから得られる勾配を組み込むことでゾーンモデルを最適化する。 ZGDは自己保持機構を使用して、隣地への1つのゾーンの影響を動的に制御する。 広範な解析と実験の結果, zoneflは心拍数予測と人的活動認識の2モデルにおいて,従来のflを有意に上回っていることがわかった。 さらに,Android 携帯電話と AWS クラウドを用いた ZoneFL システムを開発した。 本システムは,63名を対象に4ヶ月間の心拍予測フィールド調査で使用し,実生活における ZoneFL の有効性を実証した。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Incremental Semi-supervised Federated Learning for Health Inference via Mobile Sensing [5.434366992553875]
  我々は,段階的な半教師付きフェデレート学習アルゴリズムであるFedMobileを提案する。 インフルエンザ様症状認識のための実世界のモバイルセンシングデータセットを用いてFedMobileを評価した。
  論文  参考訳（メタデータ） (2023-12-19T23:39:33Z)
• Spatial Deep Learning for Site-Specific Movement Optimization of Aerial Base Stations [18.961427872820515]
  無人航空機(UAV)は航空基地局(ABS)として利用でき、様々な緊急シナリオにおいて地上ユーザー(GU)に無線接続を提供する。 M$ と $N$ の指数複雑性を持つNPハード問題であり、カバー範囲が制限された$N$ ABSを共同配置することで、M$ GUs のカバレッジ率を最大化する。 本研究では,サイト固有の環境における移動GUの平均カバレッジ率を最大化するために,マルチABS運動最適化問題について検討する。
  論文  参考訳（メタデータ） (2023-12-16T15:52:13Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• 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)
• Location Leakage in Federated Signal Maps [7.093808731951124]
  複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。 i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。 我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。 FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
  論文  参考訳（メタデータ） (2021-12-07T02:28:12Z)
• Towards Domain-Independent and Real-Time Gesture Recognition Using mmWave Signal [11.76969975145963]
  DI-Gesture はドメインに依存しないリアルタイムの mmWave ジェスチャー認識システムである。 リアルタイムシナリオでは、DI-Gesutreの精度は平均推定時間2.87msで97%以上に達する。
  論文  参考訳（メタデータ） (2021-11-11T13:28:28Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。