論文の概要: Federated Learning on Edge Sensing Devices: A Review
- arxiv url: http://arxiv.org/abs/2311.01201v1
- Date: Thu, 2 Nov 2023 12:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 13:36:57.142221
- Title: Federated Learning on Edge Sensing Devices: A Review
- Title(参考訳): エッジセンシングデバイスに関するFederated Learning: レビュー
- Authors: Berrenur Saylam, \"Ozlem Durmaz \.Incel
- Abstract要約: プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。
FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。
また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to monitor ambient characteristics, interact with them, and
derive information about the surroundings has been made possible by the rapid
proliferation of edge sensing devices like IoT, mobile, and wearable devices
and their measuring capabilities with integrated sensors. Even though these
devices are small and have less capacity for data storage and processing, they
produce vast amounts of data. Some example application areas where sensor data
is collected and processed include healthcare, environmental (including air
quality and pollution levels), automotive, industrial, aerospace, and
agricultural applications. These enormous volumes of sensing data collected
from the edge devices are analyzed using a variety of Machine Learning (ML) and
Deep Learning (DL) approaches. However, analyzing them on the cloud or a server
presents challenges related to privacy, hardware, and connectivity limitations.
Federated Learning (FL) is emerging as a solution to these problems while
preserving privacy by jointly training a model without sharing raw data. In
this paper, we review the FL strategies from the perspective of edge sensing
devices to get over the limitations of conventional machine learning
techniques. We focus on the key FL principles, software frameworks, and
testbeds. We also explore the current sensor technologies, properties of the
sensing devices and sensing applications where FL is utilized. We conclude with
a discussion on open issues and future research directions on FL for further
studies
- Abstract(参考訳): 環境特性をモニターし、それらと対話し、環境に関する情報を導出する能力は、iot、モバイル、ウェアラブルデバイスのようなエッジセンシングデバイスとそれらの計測能力を統合センサーで急速に拡大することで実現されている。
これらのデバイスは小さく、データストレージや処理能力は少ないが、膨大な量のデータを生成する。
センサデータを収集して処理する応用分野には、医療、環境(大気質や汚染レベルを含む)、自動車、工業、航空宇宙、農業などが含まれる。
エッジデバイスから収集される膨大な量のセンシングデータを、さまざまな機械学習(ml)とディープラーニング(dl)アプローチを用いて分析する。
しかし、クラウドやサーバで分析すると、プライバシ、ハードウェア、接続性の制限に関する課題が浮かび上がってくる。
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を共同でトレーニングすることで、プライバシを保ちながら、これらの問題の解決策として現れています。
本稿では,従来の機械学習手法の限界を克服するために,エッジセンシングデバイスの観点からFL戦略を概観する。
FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。
また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
FLに関するオープン・イシューと今後の研究方向性に関する議論をまとめて締めくくった。
関連論文リスト
- Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳(メタデータ) (2023-12-07T20:39:57Z) - 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) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳(メタデータ) (2022-10-24T10:59:29Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳(メタデータ) (2021-06-16T13:13:04Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳(メタデータ) (2021-03-31T15:14:39Z) - Occupancy Detection in Room Using Sensor Data [0.0]
本稿では,複数の変数を用いてセンサデータを用いて占有率を検出するソリューションを提案する。
Decision Tree, Random Forest, Gradient Boosting Machine, Logistic Regression, Naive Bayes, Kernelized SVM, K-Nearest Neighborsの7つの有名なアルゴリズムがテストされ、比較されている。
論文 参考訳(メタデータ) (2021-01-10T19:53:57Z) - Fusion of Federated Learning and Industrial Internet of Things: A Survey [4.810675235074399]
産業モノのインターネット(IIoT)は産業4.0の概念のための新しいパラダイムを構築し、新しい産業時代のための洞察を与えます。
スマートマシンとスマートファクトリは、インテリジェンス獲得に機械学習/ディープラーニングベースのモデルを使用する。
この問題を解決するために、フェデレーションラーニング(FL)技術がIIoTに実装され、研究者は安全、正確、堅牢、および偏見のないモデルを提供しています。
論文 参考訳(メタデータ) (2021-01-04T06:28:32Z) - 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) - Federated Learning for Resource-Constrained IoT Devices: Panoramas and
State-of-the-art [12.129978716326676]
我々は最近実装されたフェデレートラーニングの現実的な応用をいくつか紹介する。
大規模ネットワークでは、様々な計算資源を持つクライアントが存在するかもしれない。
FL領域における資源制約装置の今後の方向性を強調した。
論文 参考訳(メタデータ) (2020-02-25T01:03:29Z)
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。