論文の概要: Applications of Federated Learning in IoT for Hyper Personalisation
- arxiv url: http://arxiv.org/abs/2309.16854v1
- Date: Thu, 28 Sep 2023 21:07:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 16:17:12.417879
- Title: Applications of Federated Learning in IoT for Hyper Personalisation
- Title(参考訳): IoTにおけるフェデレーション学習のハイパーパーソナライゼーションへの応用
- Authors: Veer Dosi
- Abstract要約: 大量のデータは常にこれらのデバイスによって生成されるが、効果的に利用されていない。
これら複数のクライアント上でFLトレーニング機械学習モデルを使用します。
このようなモデルを用いて、これまでにない極度のパーソナライズを実現する方法について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Billions of IoT devices are being deployed, taking advantage of faster
internet, and the opportunity to access more endpoints. Vast quantities of data
are being generated constantly by these devices but are not effectively being
utilised. Using FL training machine learning models over these multiple clients
without having to bring it to a central server. We explore how to use such a
model to implement ultra levels of personalization unlike before
- Abstract(参考訳): 数十億ものiotデバイスがデプロイされ、インターネットの高速化とエンドポイントへのアクセスの機会を生かしている。
大量のデータは常にこれらのデバイスによって生成されるが、効果的に利用されていない。
これら複数のクライアント上でFLトレーニング機械学習モデルを使用することで、それを中央サーバに持ち込む必要がなくなる。
このようなモデルを用いて極度のパーソナライズを実現する方法について検討する。
関連論文リスト
- CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication [5.636155173401658]
分散学習(SL)とフェデレート学習(FL)は、分散機械学習(ML)モデルをトレーニングするための有望な技術として登場した。
我々はこれらの技術を組み合わせて、ユーザのプライバシーを保護しながら、継続的な認証課題に取り組むことを提案する。
論文 参考訳(メタデータ) (2024-05-12T06:08:21Z) - Efficient Asynchronous Federated Learning with Sparsification and
Quantization [55.6801207905772]
フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。
FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。
TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
論文 参考訳(メタデータ) (2023-12-23T07:47:07Z) - Prototype of deployment of Federated Learning with IoT devices [0.0]
要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。
同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。
フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-11-24T10:37:30Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳(メタデータ) (2023-06-08T13:11:20Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Exploiting Features and Logits in Heterogeneous Federated Learning [0.2538209532048866]
フェデレーテッド・ラーニング(FL)は、エッジデバイスの管理を容易にすることで、共有モデルを協調的にトレーニングする。
本稿では,特徴量とロジットを管理することによって異種クライアントモデルをサポートする新しいデータフリーFL法を提案する。
Feloとは異なり、サーバはVeroに条件付きVAEを持ち、これは中レベルの機能をトレーニングし、ラベルに従って合成機能を生成するために使用される。
論文 参考訳(メタデータ) (2022-10-27T15:11:46Z) - Improving Response Time of Home IoT Services in Federated Learning [0.6445605125467572]
フェデレートラーニング(federated learning)と呼ばれる最近の機械学習アプローチは、分散コンピューティング環境でデバイス上のユーザデータを保持している。
ホームIoTサービスでは、エンドツーエンドの応答時間の観点からは、パフォーマンスが低くなる。
本稿では,ホームネットワークにおけるユーザ動作を迅速かつ正確に認識するフェデレーション学習ホームサービスのためのローカルIoT制御手法を提案する。
論文 参考訳(メタデータ) (2022-02-28T09:08:10Z) - Federated Learning for Internet of Things: Applications, Challenges, and
Opportunities [20.935789038643936]
フェデレートラーニング(FL)は、データを中央に持ってくる必要なしに、複数のクライアント間で協調する行為である。
我々は、IoTプラットフォームにおけるFLの機会と課題、そして将来のIoTアプリケーションをどのように実現できるかについて議論する。
論文 参考訳(メタデータ) (2021-11-15T02:06:12Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳(メタデータ) (2021-04-14T22:59:08Z) - 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)
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。