論文の概要: SusFL: Energy-Aware Federated Learning-based Monitoring for Sustainable Smart Farms

• arxiv url: http://arxiv.org/abs/2402.10280v1
• Date: Thu, 15 Feb 2024 19:15:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 18:32:40.089704
• Title: SusFL: Energy-Aware Federated Learning-based Monitoring for Sustainable Smart Farms
• Title（参考訳）: susfl: 持続可能スマートファームのためのエネルギアウェアフェデレート学習に基づくモニタリング
• Authors: Dian Chen, Paul Yang, Ing-Ray Chen, Dong Sam Ha, Jin-Hee Cho
• Abstract要約: 本研究では,持続可能なスマート農業のための新しいエネルギー対応フェデレーション学習(FL)システム,すなわちSusFLを提案する。 このシステムは、牛などの動物に、Raspberry Piなどの計算能力を備えたソーラーセンサーを装備する。 本研究は,スマートファームにおける有効で持続可能な動物健康モニタリングシステムの有用性を実証するものである。
• 参考スコア（独自算出の注目度）: 7.297765464777189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel energy-aware federated learning (FL)-based system, namely SusFL, for sustainable smart farming to address the challenge of inconsistent health monitoring due to fluctuating energy levels of solar sensors. This system equips animals, such as cattle, with solar sensors with computational capabilities, including Raspberry Pis, to train a local deep-learning model on health data. These sensors periodically update Long Range (LoRa) gateways, forming a wireless sensor network (WSN) to detect diseases like mastitis. Our proposed SusFL system incorporates mechanism design, a game theory concept, for intelligent client selection to optimize monitoring quality while minimizing energy use. This strategy ensures the system's sustainability and resilience against adversarial attacks, including data poisoning and privacy threats, that could disrupt FL operations. Through extensive comparative analysis using real-time datasets, we demonstrate that our FL-based monitoring system significantly outperforms existing methods in prediction accuracy, operational efficiency, system reliability (i.e., mean time between failures or MTBF), and social welfare maximization by the mechanism designer. Our findings validate the superiority of our system for effective and sustainable animal health monitoring in smart farms. The experimental results show that SusFL significantly improves system performance, including a $10\%$ reduction in energy consumption, a $15\%$ increase in social welfare, and a $34\%$ rise in Mean Time Between Failures (MTBF), alongside a marginal increase in the global model's prediction accuracy.
• Abstract（参考訳）: 本研究では,太陽センサのエネルギーレベル変動による不整合性健康モニタリングの課題に対処するため,持続可能なスマート農業のための新しいエネルギー認識型フェデレーション学習システムSusFLを提案する。 このシステムは、牛などの動物に、raspberry piなどの計算能力を備えたソーラーセンサーを供給し、健康データに基づくローカルなディープラーニングモデルを訓練する。 これらのセンサーは定期的にLong Range(LoRa)ゲートウェイを更新し、無線センサーネットワーク(WSN)を形成してマスト炎などの疾患を検出する。 提案するsusflシステムは,インテリジェントクライアント選択のためのゲーム理論の概念であるメカニズム設計を取り入れ,エネルギー使用を最小限に抑えながら監視品質を最適化する。 この戦略は、FL運用を妨害する可能性のあるデータ中毒やプライバシーの脅威を含む敵攻撃に対するシステムの持続可能性とレジリエンスを保証する。 実時間データセットを用いた広範囲な比較分析により,我々のFLに基づくモニタリングシステムは,予測精度,運用効率,システム信頼性(障害間平均時間,MCBF),社会福祉の最大化など,既存の手法を著しく上回ることを示した。 本研究は,スマートファームにおける有効かつ持続的な動物健康モニタリングシステムの有用性を検証するものである。 実験結果から,SusFLはエネルギー消費の10-%の削減,社会福祉の15-%の上昇,平均時間間故障(MTBF)の34-%の上昇,世界モデルの予測精度の限界的な上昇など,システム性能を著しく向上させることが示された。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• A Data Mining-Based Dynamical Anomaly Detection Method for Integrating with an Advance Metering System [0.0]
  建設事業は総消費電力の30%を消費し、世界の電力関連排出量の26%に寄与している。 本研究は、メーターレベルの異常を検出するための教師なしアプローチと教師なしアプローチの両方について検討する。 このシステムは、メーターレベルの異常をリアルタイムに検出するように設計されている。
  論文  参考訳（メタデータ） (2024-05-04T05:26:13Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• FedTrees: A Novel Computation-Communication Efficient Federated Learning Framework Investigated in Smart Grids [8.437758224218648]
  次世代のスマートメーターは、エネルギー消費データの測定、記録、および報告に使用することができる。 FedTreesは、アンサンブル学習の際立った特徴の恩恵を受ける、新しくて軽量なFLフレームワークである。
  論文  参考訳（メタデータ） (2022-09-30T19:47:46Z)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• Smart IoT-Biofloc water management system using Decision regression tree [0.0]
  バイオフロック技術は、従来の農業を高度なインフラに変え、バクテリアのバイオマスへと転換することで、余剰食品の利用を可能にする。 本稿では,センサからデータを収集し,データをクラウドに保存し,機械学習モデルを用いて水の状態を予測するシステムを紹介し,アンドロイドアプリによるリアルタイムモニタリングを行う。
  論文  参考訳（メタデータ） (2021-12-05T14:12:07Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。