論文の概要: IoT Federated Blockchain Learning at the Edge

• arxiv url: http://arxiv.org/abs/2304.03006v1
• Date: Thu, 6 Apr 2023 11:32:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 14:30:06.617654
• Title: IoT Federated Blockchain Learning at the Edge
• Title（参考訳）: エッジでのIoTフェデレーションブロックチェーン学習
• Authors: James Calo and Benny Lo
• Abstract要約: 我々は、IoTデバイスのための分散フェデレーション学習フレームワーク、特にIoMT(Internet of Medical Things)について提案する。 ブロックチェーンを使用して、中央集権システム上でのプライバシと効率を改善する分散型スキームを可能にします。 1) プライバシを確保するためにデータセットから学習を分離しながら、共有モデルの協調的なトレーニングを可能にするために、IoTデバイス上でニューラルネットワークをトレーニングする。
• 参考スコア（独自算出の注目度）: 14.689706366051956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IoT devices are sorely underutilized in the medical field, especially within machine learning for medicine, yet they offer unrivaled benefits. IoT devices are low-cost, energy-efficient, small and intelligent devices. In this paper, we propose a distributed federated learning framework for IoT devices, more specifically for IoMT (Internet of Medical Things), using blockchain to allow for a decentralized scheme improving privacy and efficiency over a centralized system; this allows us to move from the cloud-based architectures, that are prevalent, to the edge. The system is designed for three paradigms: 1) Training neural networks on IoT devices to allow for collaborative training of a shared model whilst decoupling the learning from the dataset to ensure privacy. Training is performed in an online manner simultaneously amongst all participants, allowing for the training of actual data that may not have been present in a dataset collected in the traditional way and dynamically adapt the system whilst it is being trained. 2) Training of an IoMT system in a fully private manner such as to mitigate the issue with confidentiality of medical data and to build robust, and potentially bespoke, models where not much, if any, data exists. 3) Distribution of the actual network training, something federated learning itself does not do, to allow hospitals, for example, to utilize their spare computing resources to train network models.
• Abstract（参考訳）: IoTデバイスは、医学分野、特に医学の機械学習では、非常に利用されていない。 IoTデバイスは低コスト、省エネ、小型、インテリジェントなデバイスである。 本稿では,iotデバイスのための分散フェデレーション学習フレームワークを提案する。より具体的には,集中型システムにおけるプライバシと効率を改善する分散型スキームを実現するためにブロックチェーンを使用するiomt(internet of medical things)を対象として,クラウドベースのアーキテクチャからエッジに移行することを可能にする。 システムは3つのパラダイムのために設計されています 1)IoTデバイス上でニューラルネットワークをトレーニングすることで,データセットから学習を分離してプライバシを確保すると同時に,共有モデルの協調トレーニングを可能にする。 トレーニングは、すべての参加者間で同時にオンライン形式で実施され、従来の方法で収集されたデータセットには存在しない実際のデータのトレーニングが可能になり、トレーニング中のシステムを動的に適応させることができる。 2 医療データの機密性により問題を緩和し、データがほとんど存在しないような、堅牢で潜在的に危険を伴うモデルを構築すること等、完全にプライベートな方法でIoMTシステムの訓練を行う。 3)ネットワークモデルをトレーニングするために,病院などの余分なコンピューティング資源を活用できるように,ネットワーク学習自体がしていない実際のネットワークトレーニングの配布を行う。

関連論文リスト

• TIFeD: a Tiny Integer-based Federated learning algorithm with Direct feedback alignment [47.39949471062935]
  リソース制約のあるデバイス上でのトレーニングマシンとディープラーニングモデルは、小さな機械学習分野における次の課題である。 提案したアルゴリズムは、完全なネットワークと単一層実装を備え、科学界でパブリックリポジトリとして利用可能である。
  論文  参考訳（メタデータ） (2024-11-25T14:44:26Z)
• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
  新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。 フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。 本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
  論文  参考訳（メタデータ） (2024-06-08T16:36:48Z)
• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things [4.68267059122563]
  本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:14:41Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey [6.824747267214373]
  プライバシー保護のためのIoMTネットワークにおけるFLの役割について述べる。 本稿では、プライバシーの脅威を検出するために、深層強化学習(DRL)、デジタルツイン、GAN(Generative Adversarial Network)を取り入れた高度なFLアーキテクチャを紹介する。
  論文  参考訳（メタデータ） (2022-03-18T02:32:05Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• A Federated Learning Framework for Healthcare IoT devices [2.642698101441705]
  深層ニューラルネットワークを学習するための高度なフェデレーション学習フレームワークを提案する。 提案フレームワークは,バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず,低精度の損失を保証している。
  論文  参考訳（メタデータ） (2020-05-07T22:58:43Z)

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。