論文の概要: Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems
- arxiv url: http://arxiv.org/abs/2405.05611v2
- Date: Fri, 13 Sep 2024 09:40:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 23:07:35.915395
- Title: Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems
- Title（参考訳）: インテリジェントモバイルヘルスシステムのためのプライバシー保護エッジフェデレーション学習
- Authors: Amin Aminifar, Matin Shokri, Amir Aminifar,
- Abstract要約: 我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。
提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
- 参考スコア（独自算出の注目度）: 4.082799056366928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) algorithms are generally designed for scenarios in which all data is stored in one data center, where the training is performed. However, in many applications, e.g., in the healthcare domain, the training data is distributed among several entities, e.g., different hospitals or patients' mobile devices/sensors. At the same time, transferring the data to a central location for learning is certainly not an option, due to privacy concerns and legal issues, and in certain cases, because of the communication and computation overheads. Federated Learning (FL) is the state-of-the-art collaborative ML approach for training an ML model across multiple parties holding local data samples, without sharing them. However, enabling learning from distributed data over such edge Internet of Things (IoT) systems (e.g., mobile-health and wearable technologies, involving sensitive personal/medical data) in a privacy-preserving fashion presents a major challenge mainly due to their stringent resource constraints, i.e., limited computing capacity, communication bandwidth, memory storage, and battery lifetime. In this paper, we propose a privacy-preserving edge FL framework for resource-constrained mobile-health and wearable technologies over the IoT infrastructure. We evaluate our proposed framework extensively and provide the implementation of our technique on Amazon's AWS cloud platform based on the seizure detection application in epilepsy monitoring using wearable technologies.
- Abstract（参考訳）: 機械学習(ML)アルゴリズムは一般的に、トレーニングが行われる1つのデータセンターにすべてのデータが格納されるシナリオのために設計されている。
しかし、医療分野では、多くのアプリケーションにおいて、トレーニングデータは、例えば、異なる病院や患者のモバイルデバイス/センサーなど、いくつかのエンティティに分散されている。
同時に、プライバシーの懸念や法的問題、場合によっては通信と計算のオーバーヘッドのために、データを学習の中央の場所に転送することは選択肢にはならない。
Federated Learning(FL)は、複数のパーティでローカルデータサンプルを共有せずにMLモデルをトレーニングするための、最先端のコラボレーティブMLアプローチである。
しかし、プライバシー保護的な方法で、IoT(Internet of Things)システム上で分散データから学ぶこと(例えば、モバイルヘルスやウェアラブル技術、機密性の高い個人・医療データを含む)は、主にリソースの制約が厳しいこと、すなわち、通信帯域幅、メモリストレージ、バッテリー寿命などによって大きな課題となる。
本稿では,IoTインフラストラクチャ上での資源制約のあるモバイルヘルスおよびウェアラブル技術を対象とした,プライバシ保護エッジFLフレームワークを提案する。
提案するフレームワークを網羅的に評価し,ウェアラブル技術を用いたてんかんモニタリングにおける発作検出アプリケーションに基づく,AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供する。
関連論文リスト
- EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。
医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。
フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
論文 参考訳（メタデータ） (2024-11-07T20:10:34Z) - Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。
フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。
本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
論文 参考訳（メタデータ） (2024-06-08T16:36:48Z) - 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) - IoT Federated Blockchain Learning at the Edge [14.689706366051956]
我々は、IoTデバイスのための分散フェデレーション学習フレームワーク、特にIoMT(Internet of Medical Things)について提案する。
ブロックチェーンを使用して、中央集権システム上でのプライバシと効率を改善する分散型スキームを可能にします。
1) プライバシを確保するためにデータセットから学習を分離しながら、共有モデルの協調的なトレーニングを可能にするために、IoTデバイス上でニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2023-04-06T11:32:40Z) - 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) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳（メタデータ） (2020-11-25T01:29:41Z) - 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。