論文の概要: CEFHRI: A Communication Efficient Federated Learning Framework for
Recognizing Industrial Human-Robot Interaction
- arxiv url: http://arxiv.org/abs/2308.14965v1
- Date: Tue, 29 Aug 2023 01:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:08:42.831810
- Title: CEFHRI: A Communication Efficient Federated Learning Framework for
Recognizing Industrial Human-Robot Interaction
- Title（参考訳）: CEFHRI:産業用ロボットインタラクション認識のためのコミュニケーション効率の良いフェデレーション学習フレームワーク
- Authors: Umar Khalid, Hasan Iqbal, Saeed Vahidian, Jing Hua, Chen Chen
- Abstract要約: HRI(Human-robot Interaction)は、社会と産業の応用を包含する急速に成長する分野である。
データプライバシは、機密データを保護する必要があるため、人間とロボットのインタラクションにおいて重要な関心事である。
フェデレートラーニング(FL)は、生データを共有せずに、モデルの分散トレーニングを可能にするソリューションを提供する。
- 参考スコア（独自算出の注目度）: 8.568323820210686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human-robot interaction (HRI) is a rapidly growing field that encompasses
social and industrial applications. Machine learning plays a vital role in
industrial HRI by enhancing the adaptability and autonomy of robots in complex
environments. However, data privacy is a crucial concern in the interaction
between humans and robots, as companies need to protect sensitive data while
machine learning algorithms require access to large datasets. Federated
Learning (FL) offers a solution by enabling the distributed training of models
without sharing raw data. Despite extensive research on Federated learning (FL)
for tasks such as natural language processing (NLP) and image classification,
the question of how to use FL for HRI remains an open research problem. The
traditional FL approach involves transmitting large neural network parameter
matrices between the server and clients, which can lead to high communication
costs and often becomes a bottleneck in FL. This paper proposes a
communication-efficient FL framework for human-robot interaction (CEFHRI) to
address the challenges of data heterogeneity and communication costs. The
framework leverages pre-trained models and introduces a trainable
spatiotemporal adapter for video understanding tasks in HRI. Experimental
results on three human-robot interaction benchmark datasets: HRI30, InHARD, and
COIN demonstrate the superiority of CEFHRI over full fine-tuning in terms of
communication costs. The proposed methodology provides a secure and efficient
approach to HRI federated learning, particularly in industrial environments
with data privacy concerns and limited communication bandwidth. Our code is
available at
https://github.com/umarkhalidAI/CEFHRI-Efficient-Federated-Learning.
- Abstract（参考訳）: HRI(Human-robot Interaction)は、社会と産業の応用を包含する急速に成長する分野である。
機械学習は、複雑な環境におけるロボットの適応性と自律性を高めることで、産業的HRIにおいて重要な役割を果たす。
しかし、データプライバシは人間とロボットのインタラクションにおいて重要な問題であり、企業は機密性の高いデータを保護し、機械学習アルゴリズムは大規模なデータセットへのアクセスを必要とする。
Federated Learning (FL)は、生データを共有せずに、モデルの分散トレーニングを可能にするソリューションを提供する。
自然言語処理(NLP)や画像分類などのタスクに対するフェデレート学習(FL)の広範な研究にもかかわらず、FLをHRIにどのように使うかという問題は未解決の課題である。
従来のFLアプローチでは、サーバとクライアントの間に大規模なニューラルネットワークパラメータ行列を送信することで、通信コストが高くなり、FLのボトルネックになることが多い。
本稿では,データ不均一性と通信コストの課題に対処するために,ヒューマンロボットインタラクション(CEFHRI)のための通信効率のよいFLフレームワークを提案する。
このフレームワークは事前訓練されたモデルを活用し、HRIのビデオ理解タスクのためのトレーニング可能な時空間アダプタを導入している。
HRI30、InHARD、COINの3つの人間ロボットインタラクションベンチマークデータセットの実験結果は、通信コストの面で完全な微調整よりもCEFHRIの方が優れていることを示している。
提案手法は,特にデータプライバシの懸念と通信帯域の制限のある産業環境において,HRIフェデレーション学習に対する安全かつ効率的なアプローチを提供する。
私たちのコードはhttps://github.com/umarkhalidAI/CEFHRI-Efficient-Federated-Learningで公開されています。
関連論文リスト
- Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳（メタデータ） (2024-08-26T17:03:14Z) - CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering [12.472038137777474]
HAR(Human Activity Recognition)は、多様なセンサーからのデータを介し、人間の行動の自動化とインテリジェントな識別に不可欠である。
中央サーバー上のデータを集約し、集中処理を行うことによる従来の機械学習アプローチは、メモリ集約であり、プライバシの懸念を高める。
本研究は,画像ベースHARのための効率的なフェデレーション学習フレームワークCDFLを提案する。
論文 参考訳（メタデータ） (2024-07-17T03:17:53Z) - NatSGD: A Dataset with Speech, Gestures, and Demonstrations for Robot
Learning in Natural Human-Robot Interaction [19.65778558341053]
HRIデータセットは、オブジェクトのポインティングやプッシュといった基本的なタスクに重点を置いていることが多い。
音声とジェスチャーによる人間のコマンドを含むマルチモーダルHRIデータセットであるNatSGDを紹介する。
マルチモーダル・ヒューマン・コマンドによるタスク理解のためのロボットの訓練において,その効果を実証する。
論文 参考訳（メタデータ） (2024-03-04T18:02:41Z) - LPAC: Learnable Perception-Action-Communication Loops with Applications
to Coverage Control [80.86089324742024]
本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。
CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。
評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-01-10T00:08:00Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳（メタデータ） (2023-09-18T12:35:05Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Evaluation and comparison of federated learning algorithms for Human
Activity Recognition on smartphones [0.5039813366558306]
フェデレートラーニング(FL)は、ローカルデバイスの使用を促進する新しい機械学習パラダイムとして導入された。
本稿では,FedDistと呼ばれる新しいFLアルゴリズムを提案する。
その結果、FedDistが異種データに適応できることと、FLが非同期な状況に対処できることが示されている。
論文 参考訳（メタデータ） (2022-10-30T18:47:23Z) - Addressing Data Scarcity in Multimodal User State Recognition by
Combining Semi-Supervised and Supervised Learning [1.1688030627514532]
本稿では,人間とロボットの相互作用環境における解離・解離状態を検出するためのマルチモーダル機械学習手法を提案する。
我々は,少ないラベル付きデータと大きなラベル付きデータセットを用いて,デア/アグリメント検出のための平均F1スコア81.1%を達成する。
論文 参考訳（メタデータ） (2022-02-08T10:41:41Z) - DQRE-SCnet: A novel hybrid approach for selecting users in Federated
Learning with Deep-Q-Reinforcement Learning based on Spectral Clustering [1.174402845822043]
実世界の機密データに基づく機械学習モデルは、医療スクリーニングから病気の発生、農業、産業、防衛科学など幅広い分野で進歩している。
多くのアプリケーションにおいて、学習参加者のコミュニケーションラウンドは、独自のプライベートデータセットを収集し、実際のデータに対して詳細な機械学習モデルを教え、これらのモデルを使用することの利点を共有することの恩恵を受ける。
既存のプライバシとセキュリティ上の懸念から、ほとんどの人はトレーニング用の機密データ共有を回避している。各ユーザがローカルデータを中央サーバにデモしない限り、フェデレートラーニングは、さまざまなパーティが共用データ上で機械学習アルゴリズムをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2021-11-07T15:14:29Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。