Fugu-MT 論文翻訳(概要): Incremental Semi-supervised Federated Learning for Health Inference via Mobile Sensing

論文の概要: Incremental Semi-supervised Federated Learning for Health Inference via Mobile Sensing

arxiv url: http://arxiv.org/abs/2312.12666v1
Date: Tue, 19 Dec 2023 23:39:33 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 17:28:00.249176
Title: Incremental Semi-supervised Federated Learning for Health Inference via Mobile Sensing
Title（参考訳）: モバイルセンシングによる健康推論のためのインクリメンタル半教師付きフェデレーション学習
Authors: Guimin Dong, Lihua Cai, Mingyue Tang, Laura E. Barnes, and Mehdi Boukhechba
Abstract要約: 我々は,段階的な半教師付きフェデレート学習アルゴリズムであるFedMobileを提案する。インフルエンザ様症状認識のための実世界のモバイルセンシングデータセットを用いてFedMobileを評価した。
参考スコア（独自算出の注目度）: 5.434366992553875
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Mobile sensing appears as a promising solution for health inference problem (e.g., influenza-like symptom recognition) by leveraging diverse smart sensors to capture fine-grained information about human behaviors and ambient contexts. Centralized training of machine learning models can place mobile users' sensitive information under privacy risks due to data breach and misexploitation. Federated Learning (FL) enables mobile devices to collaboratively learn global models without the exposure of local private data. However, there are challenges of on-device FL deployment using mobile sensing: 1) long-term and continuously collected mobile sensing data may exhibit domain shifts as sensing objects (e.g. humans) have varying behaviors as a result of internal and/or external stimulus; 2) model retraining using all available data may increase computation and memory burden; and 3) the sparsity of annotated crowd-sourced data causes supervised FL to lack robustness. In this work, we propose FedMobile, an incremental semi-supervised federated learning algorithm, to train models semi-supervisedly and incrementally in a decentralized online fashion. We evaluate FedMobile using a real-world mobile sensing dataset for influenza-like symptom recognition. Our empirical results show that FedMobile-trained models achieve the best results in comparison to the selected baseline methods.
Abstract（参考訳）: モバイルセンシングは、多様なスマートセンサーを活用して、人間の行動や環境状況に関するきめ細かい情報を捉えることで、健康推測問題(例えばインフルエンザのような症状認識)の有望な解決策として現れる。マシンラーニングモデルの集中トレーニングは、データの漏洩や誤操作によって、モバイルユーザの機密情報をプライバシリスク下に置くことができる。フェデレーション学習(fl)は、モバイルデバイスがローカルなプライベートデータを露出することなく、グローバルなモデルを協調的に学習することを可能にする。しかし,モバイルセンシングを用いたデバイス上でのfl展開には課題がある。 1) 長期かつ連続的に収集されたモバイルセンシングデータは、センシング対象(例えば、人間)が内部及び/又は外部刺激の結果として異なる行動を持つため、ドメインシフトを示すことができる。 2 利用可能なすべてのデータを用いたモデル再訓練は、計算とメモリ負担を増大させる。 3) 注釈付きクラウドソースデータの空間性はFLの頑丈さを損なう。本研究では,半教師付き半教師付きフェデレート学習アルゴリズムであるFedMobileを提案する。インフルエンザ様症状認識のための実世界のモバイルセンシングデータセットを用いてFedMobileを評価する。実験の結果,feedmobile が学習したモデルが,選択したベースライン法と比較して最高の結果を得た。

関連論文リスト

On-device Federated Learning in Smartphones for Detecting Depression from Reddit Posts [0.0]
ソーシャルメディアの投稿は個人の精神状態に関する貴重な情報を提供している。本研究では,スマートフォン上での分散学習を容易にするために,フェデレートラーニング(FL)を採用した。トレーニングプロセスを最適化するために、すべてのクライアントデバイスで共通のトークン化ツールを活用します。
論文参考訳（メタデータ） (2024-10-17T16:09:32Z)
CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering [12.472038137777474]
HAR(Human Activity Recognition)は、多様なセンサーからのデータを介し、人間の行動の自動化とインテリジェントな識別に不可欠である。中央サーバー上のデータを集約し、集中処理を行うことによる従来の機械学習アプローチは、メモリ集約であり、プライバシの懸念を高める。本研究は,画像ベースHARのための効率的なフェデレーション学習フレームワークCDFLを提案する。
論文参考訳（メタデータ） (2024-07-17T03:17:53Z)
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)
Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文参考訳（メタデータ） (2023-10-21T12:07:04Z)
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)
Location Leakage in Federated Signal Maps [7.093808731951124]
複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。 i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。 FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
論文参考訳（メタデータ） (2021-12-07T02:28:12Z)
Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-20T10:46:58Z)
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)
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)
WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。