論文の概要: A Quality-of-Service Compliance System using Federated Learning and
Optimistic Rollups
- arxiv url: http://arxiv.org/abs/2312.00026v1
- Date: Tue, 14 Nov 2023 20:02:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 04:04:57.029973
- Title: A Quality-of-Service Compliance System using Federated Learning and
Optimistic Rollups
- Title(参考訳): フェデレーション学習と最適ロールアップを用いたサービス品質コンプライアンスシステム
- Authors: Joao Paulo de Brito Goncalves, Guilherme Emerick Sathler, Rodolfo da
Silva Villaca
- Abstract要約: 平行するトレンドは、多くの人々にとって主要なコンピューティングデバイスとして携帯電話やタブレットが台頭していることだ。
これらのデバイスに存在する強力なセンサーは、それらがモバイルであるという事実と相まって、前例のないほど多様なプライベートな性質を持つデータにアクセスすることができる。
このようなデータで学んだモデルは、よりインテリジェントなアプリケーションを動かすことによって、ユーザビリティを劇的に向上させるという約束を持っているが、データに敏感な性質は、それを集中した場所に保存するリスクと責任を意味する。
我々は、クライアントが実行するサービスに関する特定のデータがソースマシンを離れないように、フェデレートラーニング(FL)の使用を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge computing brings a new paradigm in which the sharing of computing,
storage, and bandwidth resources as close as possible to the mobile devices or
sensors generating a large amount of data. A parallel trend is the rise of
phones and tablets as primary computing devices for many people. The powerful
sensors present on these devices combined with the fact that they are mobile,
mean they have access to data of an unprecedentedly diverse and private nature.
Models learned on such data hold the promise of greatly improving usability by
powering more intelligent applications, but the sensitive nature of the data
means there are risks and responsibilities to storing it in a centralized
location. To address the data privacy required for some data in these devices
we propose the use of Federated Learning (FL) so that specific data about
services performed by clients do not leave the source machines. Instead of
sharing data, users collaboratively train a model by only sending weight
updates to a server. However, the naive use of FL in those scenarios exposes it
to a risk of corruption, whether intentional or not, during the training phase.
To improve the security of the FL structure, we propose a decentralized
Blockchain-based FL in an edge computing scenario. We also apply blockchain to
create a reward mechanism in FL to enable incentive strategy for trainers.
- Abstract(参考訳): エッジコンピューティングは、コンピューティング、ストレージ、帯域幅のリソースを、大量のデータを生成するモバイルデバイスやセンサに可能な限り近づける、新たなパラダイムをもたらす。
並行するトレンドは、多くの人にとって主要なコンピューティングデバイスとしての携帯電話とタブレットの台頭である。
これらのデバイスに存在する強力なセンサーは、モバイルであるという事実と相まって、前例のない多様でプライベートな性質を持つデータにアクセスすることができる。
このようなデータで学んだモデルは、よりインテリジェントなアプリケーションを動かすことでユーザビリティを大幅に向上させるという約束を持っているが、データの繊細な性質から、中央集権的な場所に保存するリスクと責任がある。
これらのデバイスでデータに必要なデータプライバシに対処するために、クライアントが実行するサービスに関する特定のデータがソースマシンを離れないように、フェデレートラーニング(FL)の使用を提案する。
データを共有する代わりに、ユーザはサーバに重み付け更新を送信するだけでモデルを協調的にトレーニングする。
しかしながら、これらのシナリオにおけるFLの素直な使用は、トレーニングフェーズ中に意図的であろうとなかろうと、汚職のリスクを露呈する。
FL構造のセキュリティ向上のために,エッジコンピューティングシナリオにおける分散型ブロックチェーンベースのFLを提案する。
また、トレーニング担当者のインセンティブ戦略を実現するために、FLで報酬メカニズムを作成するためにブロックチェーンを適用します。
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) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Enhancing Efficiency in Multidevice Federated Learning through Data Selection [11.67484476827617]
マルチデバイス環境におけるフェデレーション学習(FL)は、膨大な量のプライベートデータから学習する新たな機会を生み出す。
本稿では、デバイス上のデータ選択を制約されたデバイスに組み込むためのFLフレームワークを開発する。
我々のフレームワークは,実装戦略のないベースラインFLと比較して,19%の精度,58%のレイテンシを実現している。
論文 参考訳(メタデータ) (2022-11-08T11:39:17Z) - 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) - APPFL: Open-Source Software Framework for Privacy-Preserving Federated
Learning [0.0]
フェデレートラーニング(FL)は、従来の機械学習のように、データを中央の場所に転送する代わりに、異なる場所でトレーニングモデルを実行し、トレーニングから重みを更新することを可能にする。
本稿では,Argonneのプライバシ保護フェデレート学習フレームワークであるAPPFLを紹介する。
APPFLは、実装されたプライバシ保存アルゴリズムを活用し、新しいアルゴリズムを実装し、さまざまなFLアルゴリズムをプライバシ保存技術でシミュレートし、デプロイすることを可能にする。
論文 参考訳(メタデータ) (2022-02-08T06:23:05Z) - Data Heterogeneity-Robust Federated Learning via Group Client Selection
in Industrial IoT [57.67687126339891]
FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。
自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。
実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
論文 参考訳(メタデータ) (2022-02-03T10:48:17Z) - FedLess: Secure and Scalable Federated Learning Using Serverless
Computing [1.141832715860866]
フェデレートラーニング(FL)は、データをローカルに保ちながら、リモートクライアントが共有MLモデルを学ぶことを可能にする。
本稿では、FedLessと呼ばれるサーバーレスFLのための新しいシステムとフレームワークを提案する。
当社のシステムは,複数の商用および自己ホスト型Fプロバイダをサポートし,クラウド,オンプレミスの機関データセンタ,エッジデバイスにデプロイすることができる。
論文 参考訳(メタデータ) (2021-11-05T11:14:07Z) - Blockchain-Based Federated Learning in Mobile Edge Networks with
Application in Internet of Vehicles [7.038557568936009]
プライバシーに関する懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックです。
本稿では,モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された,自律型ブロックチェーンによるプライバシ保護FLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-01T16:38:40Z) - FLaPS: Federated Learning and Privately Scaling [3.618133010429131]
フェデレートラーニング(Federated Learning, FL)とは、データを収集するデバイスにモデルを転送する分散学習プロセスである。
FLaPS(Federated Learning and Privately Scaling)アーキテクチャは,システムのセキュリティとプライバシだけでなく,スケーラビリティも向上する。
論文 参考訳(メタデータ) (2020-09-13T14:20:17Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z)
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。