論文の概要: Distributed Agent-Based Collaborative Learning in Cross-Individual
Wearable Sensor-Based Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2311.04236v1
- Date: Mon, 6 Nov 2023 12:45:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 18:20:23.241828
- Title: Distributed Agent-Based Collaborative Learning in Cross-Individual
Wearable Sensor-Based Human Activity Recognition
- Title（参考訳）: 分散型エージェントベース協調学習による個人間ウェアラブルセンサによる人間活動認識
- Authors: Ahmad Esmaeili and Zahra Ghorrati and Eric T. Matson
- Abstract要約: 本稿では,マルチエージェントの原則に根ざした協調型分散学習手法を提案する。
提案手法では,各個人が保持する活動監視データのプライバシだけでなく,従来の集中型モデルの限界を克服する可能性も示している。
- 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 rapid growth of wearable sensor technologies holds substantial promise
for the field of personalized and context-aware Human Activity Recognition.
Given the inherently decentralized nature of data sources within this domain,
the utilization of multi-agent systems with their inherent decentralization
capabilities presents an opportunity to facilitate the development of scalable,
adaptable, and privacy-conscious methodologies. This paper introduces a
collaborative distributed learning approach rooted in multi-agent principles,
wherein individual users of sensor-equipped devices function as agents within a
distributed network, collectively contributing to the comprehensive process of
learning and classifying human activities. In this proposed methodology, not
only is the privacy of activity monitoring data upheld for each individual,
eliminating the need for an external server to oversee the learning process,
but the system also exhibits the potential to surmount the limitations of
conventional centralized models and adapt to the unique attributes of each
user. The proposed approach has been empirically tested on two publicly
accessible human activity recognition datasets, specifically PAMAP2 and HARTH,
across varying settings. The provided empirical results conclusively highlight
the efficacy of inter-individual collaborative learning when contrasted with
centralized configurations, both in terms of local and global generalization.
- Abstract（参考訳）: ウェアラブルセンサー技術の急速な成長は、パーソナライズされたコンテキスト対応のヒューマンアクティビティ認識の分野に大きく貢献する。
この領域におけるデータソースの本質的に分散化の性質を考えると、その分散化能力を備えたマルチエージェントシステムの利用は、スケーラブルで適応可能でプライバシを重視した方法論の開発を促進する機会となる。
本稿では,センサ搭載デバイスの個々のユーザが分散ネットワーク内のエージェントとして機能し,人間活動の学習と分類の包括的プロセスに総合的に寄与するマルチエージェント原則に基づく協調型分散学習手法を提案する。
提案手法では,各個人が保持する活動監視データのプライバシに加えて,学習プロセスの監視を行う外部サーバの必要性を排除し,従来の集中型モデルの限界を克服し,各ユーザのユニークな属性に適応する可能性を示す。
提案手法は, PAMAP2 と HARTH の2つのパブリックアクセス型人間行動認識データセットに対して, 様々な設定で実験的に検証されている。
実験結果は,局所的およびグローバル的一般化の観点から,集中型構成と対比した場合の,個人間協調学習の有効性を強調した。
関連論文リスト
- Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳（メタデータ） (2024-03-11T09:21:11Z) - Generalizing Differentially Private Decentralized Deep Learning with Multi-Agent Consensus [11.414398732656839]
本稿では,分散ディープラーニングに差分プライバシーを組み込んだフレームワークを提案する。
本稿では,このフレームワークから派生したアルゴリズムの収束保証を証明し,その実用性を示す。
論文 参考訳（メタデータ） (2023-06-24T07:46:00Z) - TASKED: Transformer-based Adversarial learning for human activity
recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。
提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
論文 参考訳（メタデータ） (2022-09-14T11:08:48Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - Skeleton-Based Mutually Assisted Interacted Object Localization and
Human Action Recognition [111.87412719773889]
本研究では,骨格データに基づく「相互作用対象の局所化」と「人間の行動認識」のための共同学習フレームワークを提案する。
本手法は,人間の行動認識のための最先端の手法を用いて,最高の,あるいは競争的な性能を実現する。
論文 参考訳（メタデータ） (2021-10-28T10:09:34Z) - Decentralised Person Re-Identification with Selective Knowledge
Aggregation [56.40855978874077]
既存の人物再識別(Re-ID)手法は、主に、モデル学習のためのコレクションにすべてのトレーニングデータを共有する集中型学習パラダイムに従っている。
グローバルに一般化されたモデル(サーバ)を構築するための分散(フェデレーション)Re-ID学習を導入した最近の2つの作品がある。
しかし、これらの手法は、個々のクライアントドメインのRe-IDタスクのパフォーマンスを最大化するために一般化されたモデルを適用する方法に乏しい。
我々は、モデルパーソナライゼーションと一般化のトレードオフを最適化するために、分散化されたRe-IDに対して、新しい選択的知識集約アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-21T18:09:53Z) - Meta-HAR: Federated Representation Learning for Human Activity
Recognition [21.749861229805727]
ユビキタスコンピューティングにおいて,モバイルセンサに基づくヒューマンアクティビティ認識(HAR)が重要な役割を担っている。
本稿では,信号埋め込みネットワークをメタ学習した表現学習フレームワークMeta-HARを提案する。
埋め込みネットワークの表現能力を向上するため,ユーザ毎のHAR問題を別のタスクとして扱い,モデルに依存しないメタラーニングフレームワークを通じて共有埋め込みネットワークを訓練する。
論文 参考訳（メタデータ） (2021-05-31T11:04:39Z) - Domain-Robust Visual Imitation Learning with Mutual Information
Constraints [0.0]
Disentangling Generative Adversarial Imitation Learning (DisentanGAIL)と呼ばれる新しいアルゴリズムを導入する。
本アルゴリズムは,タスクを実行する専門家の高次元観察から自律エージェントを直接学習することを可能にする。
論文 参考訳（メタデータ） (2021-03-08T21:18:58Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳（メタデータ） (2020-11-25T01:29:41Z) - Decentralised Learning from Independent Multi-Domain Labels for Person
Re-Identification [69.29602103582782]
ディープラーニングは多くのコンピュータビジョンタスクで成功している。
しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。
我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。
このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
論文 参考訳（メタデータ） (2020-06-07T13:32:33Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z)
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。