論文の概要: Privacy-Preserved Taxi Demand Prediction System Utilizing Distributed Data

• arxiv url: http://arxiv.org/abs/2408.04931v1
• Date: Fri, 9 Aug 2024 08:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 16:18:44.202717
• Title: Privacy-Preserved Taxi Demand Prediction System Utilizing Distributed Data
• Title（参考訳）: 分散データを利用したプライバシ保護型タクシー需要予測システム
• Authors: Ren Ozeki, Haruki Yonekura, Hamada Rizk, Hirozumi Yamaguchi,
• Abstract要約: CC-Netは、タクシー需要予測のためのコントラスト学習に強化された協調学習を用いた新しいアプローチである。 本手法は,複数当事者が協調して需要予測モデルを訓練できるようにすることにより,高い性能を確保する。 その結果、CC-Netは顧客のデータのプライバシーを維持しつつ、予測精度を既存の技術に比べて少なくとも2.2%向上していることがわかった。
• 参考スコア（独自算出の注目度）: 3.1698826134900457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate taxi-demand prediction is essential for optimizing taxi operations and enhancing urban transportation services. However, using customers' data in these systems raises significant privacy and security concerns. Traditional federated learning addresses some privacy issues by enabling model training without direct data exchange but often struggles with accuracy due to varying data distributions across different regions or service providers. In this paper, we propose CC-Net: a novel approach using collaborative learning enhanced with contrastive learning for taxi-demand prediction. Our method ensures high performance by enabling multiple parties to collaboratively train a demand-prediction model through hierarchical federated learning. In this approach, similar parties are clustered together, and federated learning is applied within each cluster. The similarity is defined without data exchange, ensuring privacy and security. We evaluated our approach using real-world data from five taxi service providers in Japan over fourteen months. The results demonstrate that CC-Net maintains the privacy of customers' data while improving prediction accuracy by at least 2.2% compared to existing techniques.
• Abstract（参考訳）: タクシー運行を最適化し、都市交通サービスを強化するためには、正確なタクシー需要予測が不可欠である。 しかし、これらのシステムで顧客のデータを使用すると、プライバシとセキュリティの重大な懸念が生じる。 従来のフェデレーション学習は、直接データ交換なしでモデルトレーニングを可能にすることで、いくつかのプライバシー問題に対処する。 本稿では,タクシー需要予測のためのコントラスト学習に強化された協調学習を用いた新しいアプローチであるCC-Netを提案する。 本手法は,階層的なフェデレーション学習を通じて,複数の当事者が協調して需要予測モデルを訓練できるようにすることにより,高い性能を確保する。 このアプローチでは、同様のパーティがクラスタ化され、各クラスタ内でフェデレートされた学習が適用されます。 類似性はデータ交換なしで定義され、プライバシとセキュリティが保証される。 我が国のタクシーサービスプロバイダ5社の実データを用いて,14カ月間のアプローチを評価した。 その結果、CC-Netは顧客のデータのプライバシーを維持しつつ、予測精度を既存の技術に比べて少なくとも2.2%向上していることがわかった。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup for Non-IID Data [54.81695390763957]
  フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。 我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。 クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-18T12:35:05Z)
• Privacy-Preserving Taxi-Demand Prediction Using Federated Learning [0.1259953341639576]
  タクシー需要予測におけるフェデレーション学習の利用を提案する。 提案システムは、統合データで訓練された単一モデルと比較して、1%の誤差で需要レベルを正確に予測できる。
  論文  参考訳（メタデータ） (2023-05-14T08:56:03Z)
• FedPDC:Federated Learning for Public Dataset Correction [1.5533842336139065]
  フェデレート学習は、非IIDシナリオにおける従来の機械学習よりも分類精度が低い。 局所モデルのアグリゲーションモードと局所学習の損失関数を最適化するために,新しいアルゴリズムであるFedPDCを提案する。 多くのベンチマーク実験において、FedPDCは極めて不均衡なデータ分布の場合、グローバルモデルの精度を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-24T08:09:23Z)
• GOF-TTE: Generative Online Federated Learning Framework for Travel Time Estimation [8.05623264361826]
  本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。 トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。 また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
  論文  参考訳（メタデータ） (2022-07-02T14:10:26Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)
• CatFedAvg: Optimising Communication-efficiency and Classification Accuracy in Federated Learning [2.2172881631608456]
  そこで我々はCatFedAvgというフェデレート学習アルゴリズムを新たに導入した。 コミュニケーション効率は向上するが、NIST戦略のカテゴリカバレッジを用いて学習の質を向上させる。 実験の結果,FedAvgよりもネットワーク転送率が70%低いMデータセットでは,10%の絶対点精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2020-11-14T06:52:02Z)
• 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。