論文の概要: Prototype of deployment of Federated Learning with IoT devices
- arxiv url: http://arxiv.org/abs/2311.14401v1
- Date: Fri, 24 Nov 2023 10:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 15:25:14.169285
- Title: Prototype of deployment of Federated Learning with IoT devices
- Title（参考訳）: iotデバイスを用いた連合学習の展開プロトタイプ
- Authors: Pablo Garc\'ia Santaclara and Ana Fern\'andez Vilas and Rebeca P.
D\'iaz Redondo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the age of technology, data is an increasingly important resource. This
importance is growing in the field of Artificial Intelligence (AI), where sub
fields such as Machine Learning (ML) need more and more data to achieve better
results. Internet of Things (IoT) is the connection of sensors and smart
objects to collect and exchange data, in addition to achieving many other
tasks. A huge amount of the resource desired, data, is stored in mobile
devices, sensors and other Internet of Things (IoT) devices, but remains there
due to data protection restrictions. At the same time these devices do not have
enough data or computational capacity to train good models. Moreover,
transmitting, storing and processing all this data on a centralised server is
problematic. Federated Learning (FL) provides an innovative solution that
allows devices to learn in a collaborative way. More importantly, it
accomplishes this without violating data protection laws. FL is currently
growing, and there are several solutions that implement it. This article
presents a prototype of a FL solution where the IoT devices used were raspberry
pi boards. The results compare the performance of a solution of this type with
those obtained in traditional approaches. In addition, the FL solution
performance was tested in a hostile environment. A convolutional neural network
(CNN) and a image data set were used. The results show the feasibility and
usability of these techniques, although in many cases they do not reach the
performance of traditional approaches.
- Abstract（参考訳）: テクノロジの時代において、データはますます重要なリソースです。
この重要性は人工知能(AI)の分野で増大しており、機械学習(ML)のようなサブフィールドはより良い結果を得るためにより多くのデータを必要としている。
IoT(Internet of Things)は、センサとスマートオブジェクトを接続してデータを収集、交換し、他の多くのタスクを達成する。
要求される膨大な量のリソース、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が、データ保護の制限のため、そこに留まる。
同時に、これらのデバイスは良いモデルを訓練するのに十分なデータや計算能力を持っていない。
さらに、すべてのデータを集中型サーバで送信、保存、処理することが問題となる。
Federated Learning (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。
さらに重要なのは、データ保護法に違反しずにこれを達成することだ。
FLは現在成長しており、それを実装するソリューションがいくつかあります。
本稿は、IoTデバイスがラズベリー・パイボードであったFLソリューションのプロトタイプについて述べる。
その結果、このタイプのソリューションのパフォーマンスと従来のアプローチによるソリューションのパフォーマンスを比較した。
さらに、FLソリューションの性能を敵対的な環境でテストした。
畳み込みニューラルネットワーク(CNN)と画像データセットを使用した。
その結果,従来の手法の性能には達していないものの,これらの手法の有効性とユーザビリティが示唆された。
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) - 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) - Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving
for Internet of Things [4.68267059122563]
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。
論文 参考訳（メタデータ） (2023-11-08T05:14:41Z) - Federated Learning on Edge Sensing Devices: A Review [0.0]
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。
論文 参考訳（メタデータ） (2023-11-02T12:55:26Z) - 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) - 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) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳（メタデータ） (2021-06-15T08:53:42Z) - 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) - Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。
FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。
これにより、FLを大規模に実装する際の通信コストの課題が提起される。
論文 参考訳（メタデータ） (2020-04-06T15:31:54Z) - 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。