論文の概要: Privacy-Preserving Cooperative Visible Light Positioning for
Nonstationary Environment: A Federated Learning Perspective
- arxiv url: http://arxiv.org/abs/2303.06361v1
- Date: Sat, 11 Mar 2023 10:02:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 19:28:59.624782
- Title: Privacy-Preserving Cooperative Visible Light Positioning for
Nonstationary Environment: A Federated Learning Perspective
- Title(参考訳): 非定常環境のためのプライバシ保護協調可視光位置決め:フェデレーション学習の視点から
- Authors: Tiankuo Wei, Sicong Liu
- Abstract要約: 協調可視光測位ネットワーク (CVPosNet) を提案し, 収束率を向上し, 位置決め精度を向上させる。
シミュレーションの結果,提案手法は,特に非定常環境において,ベンチマーク方式よりも優れていた。
- 参考スコア(独自算出の注目度): 2.5445550558789884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visible light positioning (VLP) has drawn plenty of attention as a promising
indoor positioning technique. However, in nonstationary environments, the
performance of VLP is limited because of the highly time-varying channels. To
improve the positioning accuracy and generalization capability in nonstationary
environments, a cooperative VLP scheme based on federated learning (FL) is
proposed in this paper. Exploiting the FL framework, a global model adaptive to
environmental changes can be jointly trained by users without sharing private
data of users. Moreover, a Cooperative Visible-light Positioning Network
(CVPosNet) is proposed to accelerate the convergence rate and improve the
positioning accuracy. Simulation results show that the proposed scheme
outperforms the benchmark schemes, especially in nonstationary environments.
- Abstract(参考訳): 可視光測光(VLP)は,屋内測光技術として多くの注目を集めている。
しかし,非定常環境においては,vlpの性能は時間的に制限される。
本稿では,非定常環境における位置決め精度と一般化能力を改善するために,フェデレートラーニング(FL)に基づく協調型VLPスキームを提案する。
FLフレームワークをエクスプロイトすることで、環境変化に適応したグローバルモデルが、ユーザのプライベートデータを共有せずに、ユーザが共同でトレーニングすることができる。
さらに,協調可視光測位ネットワーク(CVPosNet)を提案し,収束率を向上し,位置決め精度を向上させる。
シミュレーションの結果,提案手法はベンチマーク手法,特に非定常環境よりも優れていた。
関連論文リスト
- Efficient Federated Learning via Local Adaptive Amended Optimizer with
Linear Speedup [90.26270347459915]
そこで我々は,グローバル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アルゴリズムを提案する。
textitLADAは通信ラウンドを大幅に削減し、複数のベースラインよりも高い精度を実現する。
論文 参考訳(メタデータ) (2023-07-30T14:53:21Z) - Learner Referral for Cost-Effective Federated Learning Over Hierarchical
IoT Networks [21.76836812021954]
本稿では,連合選択(LRef-FedCS),通信資源,局所モデル精度(LMAO)手法を支援する。
提案したLRef-FedCSアプローチは,高いグローバル精度とコスト削減のバランスをとることができる。
論文 参考訳(メタデータ) (2023-07-19T13:33:43Z) - Dynamic Regularized Sharpness Aware Minimization in Federated Learning:
Approaching Global Consistency and Smooth Landscape [85.58750553923568]
フェデレートラーニング(FL)では、グローバルサーバの協調の下で、ローカルクライアントのクラスタがチェアリングされる。
クライアントは自身のオプティマに過度に適合する傾向にあり、グローバルな目標から非常に逸脱する。
tt Family FedSMOOは、グローバルな目的に対する局所的な最適性を保証するために動的正規化器を採用する。
理論解析により, tt Family FedSMOO は, 低境界一般化による高速$mathcalO (1/T)$収束率を達成することが示された。
論文 参考訳(メタデータ) (2023-05-19T10:47:44Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳(メタデータ) (2023-05-04T09:26:03Z) - The Probabilistic Normal Epipolar Constraint for Frame-To-Frame Rotation
Optimization under Uncertain Feature Positions [53.478856119297284]
特徴位置における異方性および不均一性を考慮した確率論的正規極性制約(PNEC)を導入する。
合成データの実験において、新しいPNECは元のNECよりも正確な回転推定値が得られることを示した。
我々は,提案手法を最先端のモノクロ回転専用オドメトリーシステムに統合し,実世界のKITTIデータセットに対して一貫した改良を行った。
論文 参考訳(メタデータ) (2022-04-05T14:47:11Z) - Towards Federated Learning on Time-Evolving Heterogeneous Data [13.080665001587281]
Federated Learning(FL)は、エッジデバイス上でクライアントデータのローカリティを保証することによって、プライバシを保護する、新たな学習パラダイムである。
異種データの最適化に関する最近の研究にもかかわらず、実世界のシナリオにおける異種データの時間進化の影響は十分に研究されていない。
本稿では,FLの時間発展的不均一性を捉えるために,フレキシブルなフレームワークであるContinual Federated Learning (CFL)を提案する。
論文 参考訳(メタデータ) (2021-12-25T14:58:52Z) - Learning Positional Embeddings for Coordinate-MLPs [37.56813817513575]
古典的なグラフ-ラプラシア正規化に基づいて位置埋め込みを学習する汎用フレームワークを開発する。
提案手法は, 既定のランダムフーリエ特性と比較して, 高い安定性で優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2021-12-21T23:23:33Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳(メタデータ) (2021-11-28T19:03:39Z) - Accelerating Federated Learning with a Global Biased Optimiser [16.69005478209394]
Federated Learning(FL)は、クライアントデバイスを離れるトレーニングデータなしでモデルを協調訓練する機械学習の分野における最近の開発である。
本稿では,FedGBO(Federated Global Biased Optimiser)アルゴリズムを用いて,適応最適化手法をFLに適用する手法を提案する。
FedGBOは、FLの局所的なトレーニングフェーズにおいて、グローバルバイアス付きオプティマイザ値のセットを適用することでFLを加速し、非IIDデータからのクライアントドリフトを減少させる。
論文 参考訳(メタデータ) (2021-08-20T12:08:44Z) - Local Adaptivity in Federated Learning: Convergence and Consistency [25.293584783673413]
フェデレートラーニング(FL)フレームワークは、局所的に訓練されたモデルを定期的に集約することで、エッジクライアントデバイスに格納された分散データを使用して機械学習モデルをトレーニングする。
局所適応法は収束を加速できるが, 解バイアスを生じさせる可能性があることを示す。
本稿では,この不整合を克服し,FLの局所適応手法を補完する補正手法を提案する。
論文 参考訳(メタデータ) (2021-06-04T07:36:59Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳(メタデータ) (2021-03-02T08:20:08Z)
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。