論文の概要: Decentralised Traffic Incident Detection via Network Lasso
- arxiv url: http://arxiv.org/abs/2402.18167v1
- Date: Wed, 28 Feb 2024 08:56:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:47:13.219005
- Title: Decentralised Traffic Incident Detection via Network Lasso
- Title（参考訳）: ネットワークラッソによる分散型交通事故検出
- Authors: Qiyuan Zhu, A. K. Qin, Prabath Abeysekara, Hussein Dia, Hanna
Grzybowska
- Abstract要約: これまで、機械学習(ML)に基づく検出手法は、集中型コンピューティングパラダイムの下で優れた性能を発揮してきた。
深層ニューラルネットワークに基づくフェデレーション学習(FL)は、モデルトレーニングを分散的に実現するための主流検出アプローチとなっている。
本研究では,分散データによって特徴付けられる現代の交通シナリオにおいて,従来のMLに基づく強力な検出モデルの可能性を探究する。
- 参考スコア（独自算出の注目度）: 5.341766470400784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic incident detection plays a key role in intelligent transportation
systems, which has gained great attention in transport engineering. In the
past, traditional machine learning (ML) based detection methods achieved good
performance under a centralised computing paradigm, where all data are
transmitted to a central server for building ML models therein. Nowadays, deep
neural networks based federated learning (FL) has become a mainstream detection
approach to enable the model training in a decentralised manner while
warranting local data governance. Such neural networks-centred techniques,
however, have overshadowed the utility of well-established ML-based detection
methods. In this work, we aim to explore the potential of potent conventional
ML-based detection models in modern traffic scenarios featured by distributed
data. We leverage an elegant but less explored distributed optimisation
framework named Network Lasso, with guaranteed global convergence for convex
problem formulations, integrate the potent convex ML model with it, and compare
it with centralised learning, local learning, and federated learning methods
atop a well-known traffic incident detection dataset. Experimental results show
that the proposed network lasso-based approach provides a promising alternative
to the FL-based approach in data-decentralised traffic scenarios, with a strong
convergence guarantee while rekindling the significance of conventional
ML-based detection methods.
- Abstract（参考訳）: 交通事故検出はインテリジェント交通システムにおいて重要な役割を担い、輸送工学において大きな注目を集めている。
従来の機械学習(ML)に基づく検出手法は,すべてのデータを中央サーバに送信してMLモデルを構築するという,集中型コンピューティングパラダイムの下で優れたパフォーマンスを実現している。
今日では、深層ニューラルネットワークに基づくフェデレーション学習(FL)が主流となり、ローカルデータガバナンスを保証しながら、分散的なモデルトレーニングを可能にする。
しかし、そのようなニューラルネットワーク中心の手法は、確立されたMLベースの検出方法の有用性を隠蔽している。
本研究では,分散データによって特徴付けられる現代の交通シナリオにおいて,従来のMLに基づく強力な検出モデルの可能性を探究する。
我々は,ネットワークlassoという,エレガントな分散最適化フレームワークを活用し,凸問題定式化のためのグローバル収束を保証し,強力な凸mlモデルをそれと統合し,集中学習,局所学習,周知のトラフィックインシデント検出データセット上でのフェデレーション学習手法と比較した。
実験の結果,提案手法は,従来のMLに基づく検出手法の意義を再検討しながら,データ分散トラフィックシナリオにおけるFLベースのアプローチに代わる有望な代替手段を提供することを示す。
関連論文リスト
- FedMSE: Federated learning for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。
Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。
このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文 参考訳（メタデータ） (2024-10-18T02:23:57Z) - Federated Learning for Misbehaviour Detection with Variational Autoencoders and Gaussian Mixture Models [0.2999888908665658]
Federated Learning (FL)は、機械学習(ML)モデルを協調的にトレーニングするための魅力的なアプローチになっている。
本研究は、車載環境における潜在的な不適切な行動を特定するための、新しい教師なしFLアプローチを提案する。
当社は、モデルアグリゲーションの目的のために、パブリッククラウドサービスのコンピューティング能力を活用しています。
論文 参考訳（メタデータ） (2024-05-16T08:49:50Z) - A Method for Network Intrusion Detection Using Flow Sequence and BERT Framework [0.9208007322096533]
本研究の目的は,ネットワーク侵入検知システムの領域適応性を向上させるために,フローのシーケンスを用いることの可能性を検討することである。
提案手法は自然言語処理技術とトランスフォーマーフレームワークからの双方向表現を用いる。
初期の実証実験の結果,従来のアプローチに比べてドメイン適応能力が改善された。
論文 参考訳（メタデータ） (2023-10-26T03:56:40Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Improving the generalizability and robustness of large-scale traffic
signal control [3.8028221877086814]
交通信号の制御における深部強化学習(RL)アプローチの堅牢性について検討する。
欠落したデータに対して,近年の手法が脆弱なままであることを示す。
政策アンサンブルによる分散強化学習とバニラ強化学習の組み合わせを提案する。
論文 参考訳（メタデータ） (2023-06-02T21:30:44Z) - Enhanced Decentralized Federated Learning based on Consensus in
Connected Vehicles [14.80476265018825]
分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
論文 参考訳（メタデータ） (2022-09-22T01:21:23Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳（メタデータ） (2020-06-08T02:39:59Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。