論文の概要: FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices

• arxiv url: http://arxiv.org/abs/2307.01780v1
• Date: Tue, 4 Jul 2023 15:34:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 16:40:11.835883
• Title: FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices
• Title（参考訳）: fedhil: モバイルデバイスを用いたロバストな屋内定位のためのヘテロゲニティレジリエントフェデレーション学習
• Authors: Danish Gufran, Sudeep Pasricha
• Abstract要約: 緊急対応、倉庫管理、拡張現実体験などの応用において、屋内のローカライゼーションは重要な役割を担っている。 デバイス・ヘテロジニアス環境における屋内位置推定精度を向上させるために,FedHILと呼ばれる新しい組込み機械学習フレームワークを提案する。 本フレームワークは,屋内の局所化とフェデレート学習(FL)を組み合わせることで,デバイス・異種環境における屋内の局所化精度を向上させる。
• 参考スコア（独自算出の注目度）: 4.226118870861363
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Indoor localization plays a vital role in applications such as emergency response, warehouse management, and augmented reality experiences. By deploying machine learning (ML) based indoor localization frameworks on their mobile devices, users can localize themselves in a variety of indoor and subterranean environments. However, achieving accurate indoor localization can be challenging due to heterogeneity in the hardware and software stacks of mobile devices, which can result in inconsistent and inaccurate location estimates. Traditional ML models also heavily rely on initial training data, making them vulnerable to degradation in performance with dynamic changes across indoor environments. To address the challenges due to device heterogeneity and lack of adaptivity, we propose a novel embedded ML framework called FedHIL. Our framework combines indoor localization and federated learning (FL) to improve indoor localization accuracy in device-heterogeneous environments while also preserving user data privacy. FedHIL integrates a domain-specific selective weight adjustment approach to preserve the ML model's performance for indoor localization during FL, even in the presence of extremely noisy data. Experimental evaluations in diverse real-world indoor environments and with heterogeneous mobile devices show that FedHIL outperforms state-of-the-art FL and non-FL indoor localization frameworks. FedHIL is able to achieve 1.62x better localization accuracy on average than the best performing FL-based indoor localization framework from prior work.
• Abstract（参考訳）: 屋内ローカライゼーションは、緊急対応、倉庫管理、拡張現実体験などのアプリケーションにおいて重要な役割を果たす。 機械学習(ML)ベースの屋内ローカライズフレームワークをモバイルデバイスにデプロイすることで、ユーザはさまざまな屋内および地下環境にローカライズすることができる。 しかし、モバイルデバイスのハードウェアやソフトウェアスタックの不均一性のため、正確な屋内ローカライゼーションを実現することは困難であり、不整合かつ不正確な位置推定をもたらす可能性がある。 従来のMLモデルは、初期トレーニングデータにも大きく依存しているため、内部環境全体の動的変更によるパフォーマンス低下に対して脆弱である。 デバイスの不均一性と適応性の欠如による課題に対処するため,FedHILと呼ばれる新しいMLフレームワークを提案する。 本研究では,屋内ローカライズとフェデレーション学習(fl)を組み合わせて,デバイスヘテロジェンス環境における屋内ローカライズ精度を向上させるとともに,ユーザデータのプライバシも保持する。 FedHILは、極めてノイズの多いデータが存在する場合でも、FL中の屋内ローカライゼーションのためのMLモデルの性能を維持するために、ドメイン固有の選択的な重量調整アプローチを統合する。 各種屋内環境および異種モバイルデバイスを用いた実験により,FedHILは最先端のFLおよび非FL屋内ローカライゼーションフレームワークよりも優れた性能を示した。 FedHILは、FLベースの屋内ローカライゼーションフレームワークよりも平均して1.62倍の精度でローカライズすることができる。

関連論文リスト

• SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization [2.9699290794642366]
  機械学習(ML)ベースの屋内ローカライゼーションソリューションは多くの新興アプリケーションにとって重要である。 彼らの効果は、モバイルデバイス間のハードウェア/ソフトウェアの違いと、MLデータ中毒攻撃の脅威によってしばしば損なわれる。 SAFELOCは,これらの困難な条件下での局所化誤差を最小限に抑えるだけでなく,効率的なモバイルデバイス配置のためのモデルコンパクト性を確保する新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-11-13T22:28:05Z)
• SGP-RI: A Real-Time-Trainable and Decentralized IoT Indoor Localization Model Based on Sparse Gaussian Process with Reduced-Dimensional Inputs [3.735798190358001]
  還元次元入力(SGP-RI)を用いたスパースガウス過程に基づくリアルタイム学習可能・分散屋内ローカライゼーションモデルを構築した。 入力を誘導するトレーニングサンプルの半分未満のSGP-RIモデルでは、トレーニングサンプル全体の標準ガウスプロセスモデルに匹敵するローカライゼーション性能が得られる。
  論文  参考訳（メタデータ） (2024-08-24T12:15:01Z)
• SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
  SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
  論文  参考訳（メタデータ） (2024-07-14T21:40:12Z)
• Locally Estimated Global Perturbations are Better than Local Perturbations for Federated Sharpness-aware Minimization [81.32266996009575]
  フェデレートラーニング(FL)では、クライアント間の複数ステップの更新とデータの均一性が、よりシャープなミニマによるロスランドスケープにつながることが多い。 クライアント側におけるグローバルな摂動方向を局所的に推定する新しいアルゴリズムであるFedLESAMを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:46:21Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• CALLOC: Curriculum Adversarial Learning for Secure and Robust Indoor Localization [3.943289808718775]
  CALLOC(CALLOC)は,屋内環境やデバイスにまたがる敵の攻撃や変動に抵抗するように設計された,新しいフレームワークである。 CALLOCは、ドメイン固有の軽量なスケールドドット製品アテンションニューラルネットワークを備えた、適応的なカリキュラム学習アプローチを採用している。 CALLOCは、最先端の屋内ローカライゼーションフレームワークに対して、平均エラーが6.03倍、最悪のエラーが4.6倍まで改善可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-10T19:26:31Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for Resource and Data Heterogeneity [56.82825745165945]
  フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。 本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。 提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
  論文  参考訳（メタデータ） (2022-06-21T17:23:06Z)
• Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices [5.063728016437489]
  フィンガープリンティングに基づく屋内ローカライゼーションは、屋内ローカライズにおける人や資産の位置と追跡の強化のための新興アプリケーションドメインである。 本稿では,その領域の最先端技術と比較して,局所化精度の低下を最大40%低減する,シームズ・ニューラルエンコーダベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-28T07:22:55Z)
• FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
  フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。 現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。 我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
  論文  参考訳（メタデータ） (2021-07-01T06:14:51Z)

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。