論文の概要: Reputation-Driven Asynchronous Federated Learning for Enhanced Trajectory Prediction with Blockchain

• arxiv url: http://arxiv.org/abs/2407.19428v1
• Date: Sun, 28 Jul 2024 08:34:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 18:12:26.203137
• Title: Reputation-Driven Asynchronous Federated Learning for Enhanced Trajectory Prediction with Blockchain
• Title（参考訳）: ブロックチェーンを用いた軌道予測の強化のための再帰駆動型非同期フェデレーション学習
• Authors: Weiliang Chen, Li Jia, Yang Zhou, Qianqian Ren,
• Abstract要約: フェデレーション学習とブロックチェーンを組み合わせることで、自動運転アプリケーションにおけるセキュアなデータ共有が実現される。 データ品質監査の欠如は、軌道予測タスクにおける多党間の不信を懸念させる。 本稿では,解釈可能な評価量子化機構に基づく非同期フェデレーション学習データ共有手法を提案する。
• 参考スコア（独自算出の注目度）: 8.99791083863972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning combined with blockchain empowers secure data sharing in autonomous driving applications. Nevertheless, with the increasing granularity and complexity of vehicle-generated data, the lack of data quality audits raises concerns about multi-party mistrust in trajectory prediction tasks. In response, this paper proposes an asynchronous federated learning data sharing method based on an interpretable reputation quantization mechanism utilizing graph neural network tools. Data providers share data structures under differential privacy constraints to ensure security while reducing redundant data. We implement deep reinforcement learning to categorize vehicles by reputation level, which optimizes the aggregation efficiency of federated learning. Experimental results demonstrate that the proposed data sharing scheme not only reinforces the security of the trajectory prediction task but also enhances prediction accuracy.
• Abstract（参考訳）: フェデレーション学習とブロックチェーンを組み合わせることで、自動運転アプリケーションにおけるセキュアなデータ共有が実現される。 それでも、車両生成データの粒度と複雑さの増大により、データ品質監査の欠如は、軌道予測タスクにおける多党間の不信を懸念する。 本稿では,グラフニューラルネットワークツールを用いた解釈可能な評価定量化機構に基づく非同期フェデレーション学習データ共有手法を提案する。 データプロバイダは、冗長なデータを削減しつつ、セキュリティを確保するために、差分プライバシー制約の下でデータ構造を共有する。 評価レベルによって車両を分類する深層強化学習を実装し,フェデレート学習の集約効率を最適化する。 実験結果から,提案手法は軌道予測タスクの安全性を向上するだけでなく,予測精度も向上することが示された。

関連論文リスト

• Deep Transfer Hashing for Adaptive Learning on Federated Streaming Data [0.3683202928838613]
  フェデレーション学習は、複数のクライアントがデータのプライバシを維持しながら、共同で共有モデルをトレーニングすることを可能にする。 提案フレームワークは、転送学習、中央サーバ上のディープニューラルネットワークの事前学習、モデル精度と適応性を高めるためのクライアントの微調整を利用する。 Car2Xイベント予測では、共有モデルでトラフィックパターンを認識し、トラフィック密度評価や事故検出などのタスクを支援する。
  論文  参考訳（メタデータ） (2024-09-19T08:52:49Z)
• On the Federated Learning Framework for Cooperative Perception [28.720571541022245]
  フェデレーション学習は、コネクテッドおよび自律走行車間の認識、意思決定、計画において、データのプライバシ保護と協調的な拡張を可能にすることで、有望なソリューションを提供する。 本研究では,FedDWAアルゴリズム(Federated dynamic weighted aggregate, FedDWA)と呼ばれる,CPのための特殊な統合学習フレームワークを提案する。 このフレームワークは、動的クライアント重み付けをモデル収束の直接化に利用し、KLD(Kullback-Leibler divergence)を利用して非独立的かつ同一に分散された(Non-IID)データとアンバランスなデータの有害な影響を対処する新しい損失関数を統合する。
  論文  参考訳（メタデータ） (2024-04-26T04:34:45Z)
• Ungeneralizable Examples [70.76487163068109]
  学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。 学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
  論文  参考訳（メタデータ） (2024-04-22T09:29:14Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)
• Finite-Time Consensus Learning for Decentralized Optimization with Nonlinear Gossiping [77.53019031244908]
  本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。 コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
  論文  参考訳（メタデータ） (2021-11-04T15:36:25Z)
• Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems [10.257042901204528]
  コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。 C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。 本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-18T07:44:34Z)
• SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。 様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。 本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T02:57:05Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)
• 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)

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。