Fugu-MT 論文翻訳(概要): Peer-to-Peer Federated Continual Learning for Naturalistic Driving Action Recognition

論文の概要: Peer-to-Peer Federated Continual Learning for Naturalistic Driving Action Recognition

arxiv url: http://arxiv.org/abs/2304.07421v1
Date: Fri, 14 Apr 2023 22:54:43 GMT
ステータス: 処理完了
システム内更新日: 2023-04-18 19:10:56.811122
Title: Peer-to-Peer Federated Continual Learning for Naturalistic Driving Action Recognition
Title（参考訳）: 自然主義運転行動認識のためのピアツーピア連続学習
Authors: Liangqi Yuan and Yunsheng Ma and Lu Su and Ziran Wang
Abstract要約: ナチュラティスティック運転行動認識(NDAR)は,運転者の気晴らしを検知し,交通事故のリスクを低減するための有効な方法であることが証明されている。そこで本研究では,P2P(P2P)とP2P(P2P)の連続学習フレームワークであるFedPCを提案する。我々のフレームワークは、パーソナライズされた正確なNDARモデルを提供することを目的として、サーバレスFLフレームワーク内のクライアントの目的に対処することに焦点を当てています。
参考スコア（独自算出の注目度）: 14.456483857455344
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Naturalistic driving action recognition (NDAR) has proven to be an effective method for detecting driver distraction and reducing the risk of traffic accidents. However, the intrusive design of in-cabin cameras raises concerns about driver privacy. To address this issue, we propose a novel peer-to-peer (P2P) federated learning (FL) framework with continual learning, namely FedPC, which ensures privacy and enhances learning efficiency while reducing communication, computational, and storage overheads. Our framework focuses on addressing the clients' objectives within a serverless FL framework, with the goal of delivering personalized and accurate NDAR models. We demonstrate and evaluate the performance of FedPC on two real-world NDAR datasets, including the State Farm Distracted Driver Detection and Track 3 NDAR dataset in the 2023 AICity Challenge. The results of our experiments highlight the strong competitiveness of FedPC compared to the conventional client-to-server (C2S) FLs in terms of performance, knowledge dissemination rate, and compatibility with new clients.
Abstract（参考訳）: ナチュラティスティック運転行動認識(NDAR)は,運転者の気晴らしを検知し,交通事故のリスクを低減するための有効な方法であることが証明されている。しかし、車載カメラの侵入的デザインは、運転者のプライバシーに関する懸念を引き起こす。そこで本研究では,通信,計算,記憶のオーバーヘッドを低減しつつ,プライバシを保証し,学習効率を向上させる,連続学習を備えたp2p(peer-to-peer)フェデレート学習(fl)フレームワークを提案する。当社のフレームワークは、パーソナライズされた正確なndarモデルの提供を目的として、サーバレスflフレームワークにおけるクライアントの目標への対処にフォーカスしています。我々は2023年AICity Challengeにおいて、ステートファーム抽出ドライバ検出とトラック3NDARデータセットを含む2つの実世界のNDARデータセット上でのFedPCの性能を実証し、評価した。実験の結果,従来のc2s (client-to-server) flsと比較して,federcの競争力が強く,その性能,知識普及率,新規クライアントとの互換性が向上した。

関連論文リスト

Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文参考訳（メタデータ） (2024-10-25T18:11:02Z)
A Novel Buffered Federated Learning Framework for Privacy-Driven Anomaly Detection in IIoT [11.127334284392676]
異種IIoT環境における異常検出のための同相暗号を利用したバッファリングFL(BFL)フレームワークを提案する。 BFLは、トラグラー効果と通信ボトルネックの両方を軽減するために、新しい重み付き平均時間アプローチを利用する。その結果, 最先端FL法と比較してBFLの方が優れ, 精度と収束速度が向上した。
論文参考訳（メタデータ） (2024-08-16T13:01:59Z)
Binary Federated Learning with Client-Level Differential Privacy [7.854806519515342]
フェデレートラーニング(Federated Learning、FL)は、プライバシ保護のための協調学習フレームワークである。既存のFLシステムはトレーニングアルゴリズムとしてフェデレーション平均(FedAvg)を採用するのが一般的である。差分プライバシーを保証する通信効率のよいFLトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-07T06:07:04Z)
Turning Privacy-preserving Mechanisms against Federated Learning [22.88443008209519]
我々は、連邦学習のための最先端の防衛を無効化できる攻撃を設計する。提案した攻撃には、2つの動作モードが含まれており、第1は収束抑制(逆モード)に焦点を当て、第2はグローバルフェデレーションモデル(バックドアモード)に誤評価インジェクションを構築することを目的としている。実験の結果,バックドアモードで実施したテストの93%のケースにおいて,両モードにおける攻撃の有効性が示され,敵モードと完全有効バックドアの全テストにおいて平均60%のパフォーマンス低下が回復した。
論文参考訳（メタデータ） (2023-05-09T11:43:31Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文参考訳（メタデータ） (2022-01-03T16:49:33Z)
FedSup: A Communication-Efficient Federated Learning Fatigue Driving Behaviors Supervision Framework [10.38729333916008]
FedSupは、プライバシーと効率的な疲労検出のためのクライアントエッジクラウドフレームワークです。 FedSupは、フェデレーション学習技術にインスパイアされ、クライアント、エッジ、クラウドサーバー間のコラボレーションをインテリジェントに活用します。
論文参考訳（メタデータ） (2021-04-25T07:16:49Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)
Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles [7.7003495898919265]
本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
論文参考訳（メタデータ） (2020-04-23T01:44:12Z)
Local Differential Privacy based Federated Learning for Internet of Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文参考訳（メタデータ） (2020-04-19T14:03:10Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。