論文の概要: Mobility-Aware Federated Self-supervised Learning in Vehicular Network

• arxiv url: http://arxiv.org/abs/2408.00256v1
• Date: Thu, 1 Aug 2024 03:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 21:55:12.781724
• Title: Mobility-Aware Federated Self-supervised Learning in Vehicular Network
• Title（参考訳）: 車両ネットワークにおけるモビリティを考慮したフェデレーション型自己教師型学習
• Authors: Xueying Gu, Qiong Wu, Pingyi Fan, Qiang Fan,
• Abstract要約: Federated Learning(FL)は、高度な分散機械学習アプローチである。 ロードサイドユニット(RSU)にすべてのデータをアップロードすることなく、モデルを複数のデバイスで同時にトレーニングすることで、各車両のプライバシを保護する。 本稿では,ラベルを必要とせず,車載環境下での自己教師型学習のための事前学習段階として機能するFLSimCoという,画像ボケレベルからアグリゲーションへのFLアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 8.30695698868618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) is an advanced distributed machine learning approach, that protects the privacy of each vehicle by allowing the model to be trained on multiple devices simultaneously without the need to upload all data to a road side unit (RSU). This enables FL to handle scenarios with sensitive or widely distributed data. However, in these fields, it is well known that the labeling costs can be a significant expense, and models relying on labels are not suitable for these rapidly evolving fields especially in vehicular networks, or mobile internet of things (MIoT), where new data emerges constantly. To handle this issue, the self-supervised learning paves the way for training without labels. Additionally, for vehicles with high velocity, owing to blurred images, simple aggregation not only impacts the accuracy of the aggregated model but also reduces the convergence speed of FL. This paper proposes a FL algorithm based on image blur level to aggregation, called FLSimCo, which does not require labels and serves as a pre-training stage for self-supervised learning in the vehicular environment. Simulation results demonstrate that the proposed algorithm exhibits fast and stable convergence.
• Abstract（参考訳）: Federated Learning(FL)は高度な分散機械学習アプローチであり、ロードサイドユニット(RSU)にすべてのデータをアップロードすることなく、モデルを複数のデバイスで同時にトレーニングすることで、各車両のプライバシを保護する。 これにより、FLは機密データや広く分散されたデータでシナリオを処理できる。 しかし、これらの分野では、ラベル作成コストがかなりの費用となりうることが知られており、特に車載ネットワークや新しいデータが常に出現するモバイルインターネット・オブ・モノ(MIoT)において、ラベルに依存するモデルは、これらの急速に発展する分野には適していない。 この問題に対処するために、自己教師型学習はラベルなしでトレーニングするための道を開く。 さらに, 画像がぼやけているため, 高速度の車両の場合, 単純な凝集は凝集モデルの精度に影響を与えるだけでなく, FLの収束速度も低下させる。 本稿では,ラベルを必要とせず,車載環境下での自己教師型学習のための事前学習段階として機能するFLSimCoという,画像ボケレベルからアグリゲーションへのFLアルゴリズムを提案する。 シミュレーションの結果,提案アルゴリズムは高速で安定な収束を示すことが示された。

関連論文リスト

• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
  車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。 車両の移動性と5G無線環境マップを組み合わせる。 VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
  論文  参考訳（メタデータ） (2023-11-30T17:38:54Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles [29.476152044104005]
  道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。 現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。 オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-05-17T19:14:38Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• On Addressing Heterogeneity in Federated Learning for Autonomous Vehicles Connected to a Drone Orchestrator [32.61132332561498]
  我々は,自動運転車の性能を向上する上で,連邦学習(FL)のシナリオを想定する。 我々は,自律走行車の名目上の操作を損なう可能性のある,特定の種類の臨界物体(CO)の学習を加速する問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-08-05T16:25:48Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)

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。