論文の概要: Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things

• arxiv url: http://arxiv.org/abs/2311.04944v1
• Date: Wed, 8 Nov 2023 05:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 17:11:22.307406
• Title: Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things
• Title（参考訳）: エッジ支援によるIoTのためのプライバシ保護によるU字型フェデレーション学習
• Authors: Hengliang Tang, Zihang Zhao, Detian Liu, Yang Cao, Shiqiang Zhang, Siqing You
• Abstract要約: 本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
• 参考スコア（独自算出の注目度）: 4.68267059122563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the realm of the Internet of Things (IoT), deploying deep learning models to process data generated or collected by IoT devices is a critical challenge. However, direct data transmission can cause network congestion and inefficient execution, given that IoT devices typically lack computation and communication capabilities. Centralized data processing in data centers is also no longer feasible due to concerns over data privacy and security. To address these challenges, we present an innovative Edge-assisted U-Shaped Split Federated Learning (EUSFL) framework, which harnesses the high-performance capabilities of edge servers to assist IoT devices in model training and optimization process. In this framework, we leverage Federated Learning (FL) to enable data holders to collaboratively train models without sharing their data, thereby enhancing data privacy protection by transmitting only model parameters. Additionally, inspired by Split Learning (SL), we split the neural network into three parts using U-shaped splitting for local training on IoT devices. By exploiting the greater computation capability of edge servers, our framework effectively reduces overall training time and allows IoT devices with varying capabilities to perform training tasks efficiently. Furthermore, we proposed a novel noise mechanism called LabelDP to ensure that data features and labels can securely resist reconstruction attacks, eliminating the risk of privacy leakage. Our theoretical analysis and experimental results demonstrate that EUSFL can be integrated with various aggregation algorithms, maintaining good performance across different computing capabilities of IoT devices, and significantly reducing training time and local computation overhead.
• Abstract（参考訳）: IoT(Internet of Things)の世界では、IoTデバイスによって生成されたあるいは収集されたデータを処理するために、ディープラーニングモデルをデプロイすることが重要な課題である。 しかし、iotデバイスには通常計算能力や通信能力が欠けているため、直接データ転送はネットワークの混雑と非効率な実行を引き起こす可能性がある。 データプライバシとセキュリティに関する懸念から、データセンタの集中型データ処理ももはや実現不可能である。 これらの課題に対処するために、エッジサーバの高性能機能を活用して、モデルトレーニングと最適化プロセスにおいてIoTデバイスを支援する、革新的なエッジ支援U-Shaped Split Federated Learning(EUSFL)フレームワークを提案する。 このフレームワークでは,フェデレーション学習(fl)を利用して,データホルダがデータを共有することなく協調的にモデルをトレーニングし,モデルパラメータのみを送信することにより,データのプライバシ保護を強化する。 さらに、slit learning(sl)に触発されて、iotデバイスでのローカルトレーニングにu字型分割を使用して、ニューラルネットワークを3つの部分に分割する。 エッジサーバの計算能力を高めることで、フレームワークはトレーニング全体の時間を効果的に削減し、さまざまな能力を持つiotデバイスで効率的にトレーニングタスクを実行できる。 さらに,データ機能やラベルがレコンストラクション攻撃に安全に抵抗できることを保証し,プライバシリークのリスクをなくすために,lablerdpと呼ばれる新しいノイズメカニズムを提案する。 理論的解析と実験結果から,EUSFLは様々な集約アルゴリズムと統合可能であり,IoTデバイスのさまざまなコンピューティング能力にまたがる優れた性能を維持し,トレーニング時間と局所計算オーバーヘッドを大幅に削減できることが示された。

関連論文リスト

• FedSR: A Semi-Decentralized Federated Learning Algorithm for Non-IIDness in IoT System [2.040586739710704]
  IoT(Industrial Internet of Things)では、大量のデータが毎日生成される。 プライバシーとセキュリティの問題により、これらのデータをまとめてディープラーニングモデルをトレーニングすることは困難である。 本稿では,集中型フェデレーション学習と分散型フェデレーション学習を組み合わせて,半分散型クラウドエッジデバイス階層型フェデレーション学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-03-19T09:34:01Z)
• 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)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• 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)
• Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
  エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。 提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。 収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T16:46:45Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Federated Learning in Mobile Edge Computing: An Edge-Learning Perspective for Beyond 5G [24.275726025778482]
  本稿では,エッジコンピューティングを利用した新しいフェデレーション学習フレームワークを提案する。 IoTデバイスとエッジサーバ間の通信制約を考慮する。 さまざまなIoTデバイスは、エッジサーバで生成されたグローバルモデルの正確性にさまざまな影響を与える、さまざまなトレーニングデータセットを持っています。
  論文  参考訳（メタデータ） (2020-07-15T22:58:47Z)
• 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)
• Differentially Private Federated Learning for Resource-Constrained Internet of Things [24.58409432248375]
  フェデレーション学習は、中央にデータをアップロードすることなく、分散されたスマートデバイスから大量のデータを分析できる。 本稿では、IoTのリソース制約されたスマートデバイスにまたがるデータから機械学習モデルを効率的にトレーニングするためのDP-PASGDと呼ばれる新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-28T04:32:54Z)
• Ternary Compression for Communication-Efficient Federated Learning [17.97683428517896]
  フェデレートされた学習は、プライバシ保護とセキュアな機械学習に対する潜在的なソリューションを提供する。 本稿では,第3次フェデレーション平均化プロトコル(T-FedAvg)を提案する。 その結果,提案したT-FedAvgは通信コストの低減に有効であり,非IIDデータの性能も若干向上できることがわかった。
  論文  参考訳（メタデータ） (2020-03-07T11:55:34Z)
• 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。