論文の概要: Demo: FedCampus: A Real-world Privacy-preserving Mobile Application for Smart Campus via Federated Learning & Analytics
- arxiv url: http://arxiv.org/abs/2409.00327v1
- Date: Sat, 31 Aug 2024 01:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 15:37:00.753521
- Title: Demo: FedCampus: A Real-world Privacy-preserving Mobile Application for Smart Campus via Federated Learning & Analytics
- Title（参考訳）: デモ:FedCampus:Federated Learning & Analyticsによるスマートキャンパスのための現実のプライバシ保護モバイルアプリ
- Authors: Jiaxiang Geng, Beilong Tang, Boyan Zhang, Jiaqi Shao, Bing Luo,
- Abstract要約: FedCampusは、アンダーライン学習(FL)とフェデレーション分析(FA)を備えたスマートアンダーラインキャンパスのためのプライバシ保護モバイルアプリである。
私たちのアプリは、FedCampusバックエンドプラットフォームを通じてFL/FAに処理パラメータが使用されるスマートウォッチからの差分プライバシ(DP)を介して、プライバシを保存する処理データを統合しています。
- 参考スコア（独自算出の注目度）: 2.9480133852414774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this demo, we introduce FedCampus, a privacy-preserving mobile application for smart \underline{campus} with \underline{fed}erated learning (FL) and federated analytics (FA). FedCampus enables cross-platform on-device FL/FA for both iOS and Android, supporting continuously models and algorithms deployment (MLOps). Our app integrates privacy-preserving processed data via differential privacy (DP) from smartwatches, where the processed parameters are used for FL/FA through the FedCampus backend platform. We distributed 100 smartwatches to volunteers at Duke Kunshan University and have successfully completed a series of smart campus tasks featuring capabilities such as sleep tracking, physical activity monitoring, personalized recommendations, and heavy hitters. Our project is opensourced at https://github.com/FedCampus/FedCampus_Flutter. See the FedCampus video at https://youtu.be/k5iu46IjA38.
- Abstract（参考訳）: このデモでは、Smart \underline{campus}用のプライバシ保護モバイルアプリであるFedCampusを紹介します。
FedCampusはiOSとAndroidの両方でクロスプラットフォームのFL/FAをサポートし、継続的なモデルとアルゴリズムのデプロイ(MLOps)をサポートする。
私たちのアプリは、FedCampusバックエンドプラットフォームを通じてFL/FAに処理パラメータが使用されるスマートウォッチからの差分プライバシ(DP)を介して、プライバシを保存する処理データを統合しています。
私たちはデューク・クンシャン大学のボランティアに100個のスマートウォッチを配布し、睡眠トラッキング、身体活動監視、パーソナライズされたレコメンデーション、重傷者といった機能を備えた一連のスマートキャンパスタスクを完了しました。
私たちのプロジェクトはhttps://github.com/FedCampus/FedCampus_Flutter.orgで公開されている。
FedCampusのビデオはhttps://youtu.be/k5iu46IjA38。
関連論文リスト
- DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning using Packed Secret Sharing [51.336015600778396]
フェデレーテッド・ラーニング(FL)は最近、産業とアカデミックの両方で多くの注目を集めています。
FLでは、機械学習モデルは、複数のラウンドにまたがって委員会に配置されたさまざまなエンドユーザのデータを使用して訓練される。
このようなデータは、しばしばセンシティブであるため、FLの主な課題は、モデルの実用性を維持しながらプライバシを提供することである。
論文 参考訳（メタデータ） (2024-10-21T16:25:14Z) - FedKit: Enabling Cross-Platform Federated Learning for Android and iOS [2.9863519664139955]
FedKitは、AndroidとiOSデバイスの研究のためのクロスプラットフォームのフェデレーション学習システムである。
FedKitは、モデル変換、ハードウェアアクセラレーションのトレーニング、クロスプラットフォームモデルアグリゲーションを可能にすることで、クロスプラットフォームFL開発をパイプライン化する。
私たちのFLワークフローは、プロダクションでの柔軟な機械学習操作(MLOps)をサポートし、継続的モデルのデリバリとトレーニングを容易にします。
論文 参考訳（メタデータ） (2024-02-16T06:00:31Z) - UFed-GAN: A Secure Federated Learning Framework with Constrained
Computation and Unlabeled Data [50.13595312140533]
本稿では,UFed-GAN: Unsupervised Federated Generative Adversarial Networkを提案する。
実験により,プライバシを保ちながら,限られた計算資源とラベルなしデータに対処するUFed-GANの強い可能性を示す。
論文 参考訳（メタデータ） (2023-08-10T22:52:13Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - NVIDIA FLARE: Federated Learning from Simulation to Real-World [11.490933081543787]
私たちはNVIDIA FLAREをオープンソース開発キット(SDK)として開発しました。
SDKには最先端のFLアルゴリズムとフェデレートされた機械学習アプローチのためのソリューションが含まれている。
論文 参考訳（メタデータ） (2022-10-24T14:30:50Z) - 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) - FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。
本稿では,FL方式の通信能力について詳しく検討する。
我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
論文 参考訳（メタデータ） (2022-01-21T17:05:56Z) - FedLab: A Flexible Federated Learning Framework [16.481399535233717]
フェデレートラーニング(FL)は、プライバシ保護規則に違反することなく、複数のパーティが共有モデルをトレーニングできるプライバシー問題に対するソリューションである。
PyTorchをベースとしたフレキシブルでモジュール化されたFLフレームワークであるFedLabを開発した。
論文 参考訳（メタデータ） (2021-07-24T14:34:02Z) - FLaaS: Federated Learning as a Service [3.128267020893596]
我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。
概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。
100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
論文 参考訳（メタデータ） (2020-11-18T15:56:22Z) - FLBench: A Benchmark Suite for Federated Learning [7.9325785873650405]
フェデレーション学習は、新しい機械学習パラダイムである。
目標は、複数のデバイスに分散されたデータセットから機械学習モデルを構築することだ。
本稿ではFLBenchというフェデレート学習ベンチマークスイートを提案する。
論文 参考訳（メタデータ） (2020-08-17T12:41:46Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z)
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。