Fugu-MT 論文翻訳(概要): RaftFed: A Lightweight Federated Learning Framework for Vehicular Crowd Intelligence

論文の概要: RaftFed: A Lightweight Federated Learning Framework for Vehicular Crowd Intelligence

arxiv url: http://arxiv.org/abs/2310.07268v1
Date: Wed, 11 Oct 2023 07:50:51 GMT
ステータス: 処理完了
システム内更新日: 2023-10-12 23:42:02.666548
Title: RaftFed: A Lightweight Federated Learning Framework for Vehicular Crowd Intelligence
Title（参考訳）: RaftFed:Vehicular Crowd Intelligenceのための軽量なフェデレーション学習フレームワーク
Authors: Changan Yang, Yaxing Chen, Yao Zhang, Helei Cui, Zhiwen Yu, Bin Guo, Zheng Yan, Zijiang Yang
Abstract要約: VCI(Vehicular crowd Intelligence)は、新しい研究分野である。本稿では,プライバシー保護のための新しい学習フレームワークRaftFedを提案する。
参考スコア（独自算出の注目度）: 16.972078628753653
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vehicular crowd intelligence (VCI) is an emerging research field. Facilitated by state-of-the-art vehicular ad-hoc networks and artificial intelligence, various VCI applications come to place, e.g., collaborative sensing, positioning, and mapping. The collaborative property of VCI applications generally requires data to be shared among participants, thus forming network-wide intelligence. How to fulfill this process without compromising data privacy remains a challenging issue. Although federated learning (FL) is a promising tool to solve the problem, adapting conventional FL frameworks to VCI is nontrivial. First, the centralized model aggregation is unreliable in VCI because of the existence of stragglers with unfavorable channel conditions. Second, existing FL schemes are vulnerable to Non-IID data, which is intensified by the data heterogeneity in VCI. This paper proposes a novel federated learning framework called RaftFed to facilitate privacy-preserving VCI. The experimental results show that RaftFed performs better than baselines regarding communication overhead, model accuracy, and model convergence.
Abstract（参考訳）: VCI(Vehicular crowd Intelligence)は、新しい研究分野である。最先端の車載アドホックネットワークと人工知能によって実現され、様々なVCIアプリケーション、例えば協調センシング、位置決め、マッピングが行われる。 VCIアプリケーションのコラボレーティブな性質は、一般的に参加者間でデータを共有する必要があるため、ネットワーク全体のインテリジェンスを形成する。データプライバシを損なうことなくこのプロセスを実現するには,いまだに難しい課題です。連合学習(FL)はこの問題を解決するための有望なツールであるが、従来のFLフレームワークをVCIに適用することは簡単ではない。第一に、集中モデルアグリゲーションは、望ましくないチャネル条件を持つストラグラーが存在するため、VCIでは信頼できない。第2に、既存のFLスキームは非IIDデータに対して脆弱であり、VCIのデータ不均一性によって強化される。本稿では,プライバシー保護のための新しい学習フレームワークRaftFedを提案する。実験の結果,RaftFedは通信オーバーヘッド,モデル精度,モデル収束に関するベースラインよりも優れていた。

関連論文リスト

Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
A review on different techniques used to combat the non-IID and heterogeneous nature of data in FL [0.0]
Federated Learning(FL)は、複数のエッジデバイス間で協調的なモデルトレーニングを可能にする機械学習アプローチである。 FLの重要性は、医療や金融などの業界で特に顕著であり、データのプライバシが最重要視されている。この報告は、非IIDおよび異種データから生じる問題を掘り下げ、これらの課題に対処するために設計された現在のアルゴリズムを探求する。
論文参考訳（メタデータ） (2024-01-01T16:34:00Z)
Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。その独特な洞察力のある性質とその分析も提示される。
論文参考訳（メタデータ） (2023-10-30T14:15:47Z)
Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges [8.20034065712914]
機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われているフェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
論文参考訳（メタデータ） (2023-08-21T01:21:21Z)
Federated Learning for Computationally-Constrained Heterogeneous Devices: A Survey [3.219812767529503]
フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
論文参考訳（メタデータ） (2023-07-18T12:05:36Z)
Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文参考訳（メタデータ） (2023-07-14T04:13:11Z)
Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文参考訳（メタデータ） (2023-03-31T10:13:01Z)
Clustered Data Sharing for Non-IID Federated Learning over Wireless Networks [39.80420645943706]
Federated Learning (FL)は、IoT(Internet of Things)のデータを活用する分散型機械学習アプローチである。現在のFLアルゴリズムは、非独立で同一の分散データ(非IID)の課題に直面しており、通信コストが高く、モデルの精度が低下する。本稿では,デバイス間通信(D2D)を通じて,クラスタヘッドから信頼性の高いアソシエイトへの部分的データ通信を行うクラスタデータ共有フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-17T07:11:02Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
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)
A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。本稿では,FL に対応する SV の変種を提案する。
論文参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。