論文の概要: FLAMe: Federated Learning with Attention Mechanism using Spatio-Temporal Keypoint Transformers for Pedestrian Fall Detection in Smart Cities

• arxiv url: http://arxiv.org/abs/2412.14768v1
• Date: Thu, 19 Dec 2024 11:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:17.889521
• Title: FLAMe: Federated Learning with Attention Mechanism using Spatio-Temporal Keypoint Transformers for Pedestrian Fall Detection in Smart Cities
• Title（参考訳）: FLAMe: スマートシティにおける歩行者転倒検出のための時空間キーポイント変換器を用いた注意機構付きフェデレーションラーニング
• Authors: Byeonghun Kim, Byeongjoon Noh,
• Abstract要約: 本稿では,FLAMe(Federated Learning with Attention Mechanism)を用いた転倒検出システムを提案する。 AI-Hubの“Fall Accident Risk Behavior Video-Sensor data”データセットから22,672本のビデオサンプルを用いて,実験を検証した。
• 参考スコア（独自算出の注目度）: 0.09208007322096533
• License:
• Abstract: In smart cities, detecting pedestrian falls is a major challenge to ensure the safety and quality of life of citizens. In this study, we propose a novel fall detection system using FLAMe (Federated Learning with Attention Mechanism), a federated learning (FL) based algorithm. FLAMe trains around important keypoint information and only transmits the trained important weights to the server, reducing communication costs and preserving data privacy. Furthermore, the lightweight keypoint transformer model is integrated into the FL framework to effectively learn spatio-temporal features. We validated the experiment using 22,672 video samples from the "Fall Accident Risk Behavior Video-Sensor Pair data" dataset from AI-Hub. As a result of the experiment, the FLAMe-based system achieved an accuracy of 94.02% with about 190,000 transmission parameters, maintaining performance similar to that of existing centralized learning while maximizing efficiency by reducing communication costs by about 40% compared to the existing FL algorithm, FedAvg. Therefore, the FLAMe algorithm has demonstrated that it provides robust performance in the distributed environment of smart cities and is a practical and effective solution for public safety.
• Abstract（参考訳）: スマートシティでは、歩行者の落下を検出することが、市民の安全と生活の質を確保する上で大きな課題である。 本研究では,FLAMe(Federated Learning with Attention Mechanism)を用いた新しい転倒検出システムを提案する。 FLAMeは重要なキーポイント情報をトレーニングし、トレーニングされた重要な重みだけをサーバに送信し、通信コストを削減し、データのプライバシを保存する。 さらに、軽量キーポイント変換器モデルをFLフレームワークに統合し、時空間の特徴を効果的に学習する。 AI-Hubの“Fall Accident Risk Behavior Video-Sensor Pair data”データセットから22,672本のビデオサンプルを用いて,実験を検証した。 実験の結果、FLAMeベースのシステムは、約190,000の送信パラメータで94.02%の精度を達成し、既存のFLアルゴリズムであるFedAvgと比較して通信コストを約40%削減して効率を最大化しながら、既存の集中学習と同様の性能を維持した。 したがって、FLAMeアルゴリズムは、スマートシティの分散環境において堅牢な性能を提供し、公共安全のための実用的で効果的なソリューションであることを示した。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• Efficient Fusion and Task Guided Embedding for End-to-end Autonomous Driving [1.3149617027696827]
  我々は,センサ融合と安全リスク予測の課題に対処するため,EfficientFuserというコンパクトで強力なソリューションを導入した。 CARLAシミュレーションプラットフォームで評価されたEfficientFuserは、パラメータの37.6%しか利用せず、顕著な効率性を示している。 安全スコアは、その有効性と、自律運転システムへの実用的展開の可能性を示す主要な安全性向上手法に近づいた。
  論文  参考訳（メタデータ） (2024-07-03T07:45:58Z)
• Flashback: Understanding and Mitigating Forgetting in Federated Learning [7.248285042377168]
  フェデレートラーニング(FL)では、忘れたり、ラウンド全体で知識が失われたりすると、ハマーズアルゴリズムが収束する。 我々は,新たな知識獲得の過程で,忘れをきめ細かく測定し,認識を確実にする指標を導入する。 本稿では,局所的なモデルを正規化し,その知識を効果的に集約する動的蒸留手法を用いたFLアルゴリズムであるFlashbackを提案する。
  論文  参考訳（メタデータ） (2024-02-08T10:52:37Z)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges [1.405197962967472]
  フェデレートラーニング(FL)は、プライバシ保護とコミュニケーションの効率的な機械学習フレームワークを提供する上で、重要な役割を担います。 スマートシティス街灯監視アプリケーションにおけるFLの実現可能性について検討した。
  論文  参考訳（メタデータ） (2022-08-27T12:26:25Z)
• OLIVE: Oblivious Federated Learning on Trusted Execution Environment against the risk of sparsification [22.579050671255846]
  本研究は,フェデレートラーニングと防衛におけるサーバサイドTEEの脆弱性の分析に焦点をあてる。 まず,メモリアクセスパターンの漏洩を理論的に解析し,スペーサー化勾配のリスクを明らかにする。 第2に、トレーニングデータセット内の機密情報にメモリアクセスパターンをリンクする推論攻撃を考案する。
  論文  参考訳（メタデータ） (2022-02-15T03:23:57Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• Delay Minimization for Federated Learning Over Wireless Communication Networks [172.42768672943365]
  無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。 最適解を得るために,二項探索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従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
  論文  参考訳（メタデータ） (2020-07-05T19:00:07Z)

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。