論文の概要: Federated learning in food research

• arxiv url: http://arxiv.org/abs/2406.06202v1
• Date: Mon, 10 Jun 2024 11:58:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 14:07:44.231165
• Title: Federated learning in food research
• Title（参考訳）: 食品研究におけるフェデレートラーニング
• Authors: Zuzanna Fendor, Bas H. M. van der Velden, Xinxin Wang, Andrea Jr. Carnoli, Osman Mutlu, Ali Hürriyetoğlu,
• Abstract要約: 本研究は,食品分野におけるフェデレートラーニングの活用について考察する。 現在の応用には、水と牛乳の品質評価のソリューション、水処理のサイバーセキュリティ、殺虫剤残留リスク分析、雑草検出、不正検出が含まれる。 見つかったギャップの1つは、垂直ないし移行型の学習と分散アーキテクチャの欠如であった。
• 参考スコア（独自算出の注目度）: 4.388784558602912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research in the food domain is at times limited due to data sharing obstacles, such as data ownership, privacy requirements, and regulations. While important, these obstacles can restrict data-driven methods such as machine learning. Federated learning, the approach of training models on locally kept data and only sharing the learned parameters, is a potential technique to alleviate data sharing obstacles. This systematic review investigates the use of federated learning within the food domain, structures included papers in a federated learning framework, highlights knowledge gaps, and discusses potential applications. A total of 41 papers were included in the review. The current applications include solutions to water and milk quality assessment, cybersecurity of water processing, pesticide residue risk analysis, weed detection, and fraud detection, focusing on centralized horizontal federated learning. One of the gaps found was the lack of vertical or transfer federated learning and decentralized architectures.
• Abstract（参考訳）: 食品分野の研究は、データ所有やプライバシー要件、規制といったデータ共有の障害によって制限されることもある。 重要なことではあるが、これらの障害は機械学習のようなデータ駆動の手法を制限することができる。 フェデレートラーニング(Federated Learning)とは、ローカルに保持されたデータに基づいてモデルをトレーニングし、学習パラメータのみを共有する手法である。 本稿では,食品分野におけるフェデレートラーニングの利用,フェデレーションラーニングフレームワークに含まれる構造,知識ギャップの強調,潜在的な応用の可能性について検討する。 計41件の論文がレビューに掲載された。 現在のアプリケーションには、水と牛乳の品質評価のソリューション、水処理のサイバーセキュリティ、殺虫剤残留リスク分析、雑草検出、不正検出などが含まれており、中央集権的な水平連邦学習に重点を置いている。 見つかったギャップの1つは、垂直ないし移行型の学習と分散アーキテクチャの欠如であった。

関連論文リスト

• SoK: Challenges and Opportunities in Federated Unlearning [32.0365189539138]
  本論文は、この新興分野における研究動向と課題を特定することを目的として、未学習の未学習文学を深く研究することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T19:35:08Z)
• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning [95.31679010587473]
  フェデレートされたエッジ学習は、次世代無線ネットワークにおけるインテリジェンスの実現の基盤として考えられている。 本稿では,無線によるエッジ学習システムにおける干渉の肯定的および否定的影響について概説する。
  論文  参考訳（メタデータ） (2023-06-17T09:04:48Z)
• When Decentralized Optimization Meets Federated Learning [41.58479981773202]
  フェデレーション学習は、分散データから知識を抽出するための新しい学習パラダイムである。 既存のフェデレートされた学習アプローチのほとんどは、単一ポイントの障害に対して脆弱な集中的な設定に集中しています。 この問題に対処する別の戦略は、分散化された通信トポロジである。
  論文  参考訳（メタデータ） (2023-06-05T03:51:14Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
  侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。 ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。 現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。 本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-26T17:00:07Z)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
  分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。 本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。 本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
  論文  参考訳（メタデータ） (2021-04-29T14:15:11Z)
• 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)
• Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
  Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。 FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。 本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-31T19:56:36Z)
• 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。