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
- 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) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-17T00:28:33Z) - Federated Transfer-Ordered-Personalized Learning for Driver Monitoring
Application [15.731990691086123]
フェデレートラーニング(FL)は、自動車インターネット(IoV)上の運転監視アプリケーション(DMA)など、様々な分野に適用されている。
本稿では,FedTOP(Federated Transfer-ordered-personalized Learning)フレームワークを提案する。
この結果は、提案されたFedTOPが、高度に正確で、合理化され、プライバシー保護され、サイバーセキュリティ指向で、DMAのためのパーソナライズされたフレームワークとして使用できることを示している。
論文 参考訳(メタデータ) (2023-01-12T06:12:04Z) - 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。