論文の概要: Explainable Semantic Federated Learning Enabled Industrial Edge Network for Fire Surveillance

• arxiv url: http://arxiv.org/abs/2412.19979v1
• Date: Sat, 28 Dec 2024 02:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:49.085536
• Title: Explainable Semantic Federated Learning Enabled Industrial Edge Network for Fire Surveillance
• Title（参考訳）: ファイアサーベイランスのための産業エッジネットワークを実現する説明可能なセマンティックフェデレーション学習
• Authors: Li Dong, Yubo Peng, Feibo Jiang, Kezhi Wang, Kun Yang,
• Abstract要約: 火災監視において、産業用IoT(Industrial Internet of Things)デバイスは、大規模な監視データを頻繁に送信する必要がある。 我々は,IIoTデバイスがセマンティック通信を通じて警告を送ることができる産業用エッジセマンティックネットワーク(IESN)を提案する。
• 参考スコア（独自算出の注目度）: 29.931169585178818
• License:
• Abstract: In fire surveillance, Industrial Internet of Things (IIoT) devices require transmitting large monitoring data frequently, which leads to huge consumption of spectrum resources. Hence, we propose an Industrial Edge Semantic Network (IESN) to allow IIoT devices to send warnings through Semantic communication (SC). Thus, we should consider (1) Data privacy and security. (2) SC model adaptation for heterogeneous devices. (3) Explainability of semantics. Therefore, first, we present an eXplainable Semantic Federated Learning (XSFL) to train the SC model, thus ensuring data privacy and security. Then, we present an Adaptive Client Training (ACT) strategy to provide a specific SC model for each device according to its Fisher information matrix, thus overcoming the heterogeneity. Next, an Explainable SC (ESC) mechanism is designed, which introduces a leakyReLU-based activation mapping to explain the relationship between the extracted semantics and monitoring data. Finally, simulation results demonstrate the effectiveness of XSFL.
• Abstract（参考訳）: 火災監視において、産業用IoT(Industrial Internet of Things)デバイスは、大規模な監視データを頻繁に送信する必要があるため、スペクトルリソースの大量消費につながる。 そこで我々は,IIoTデバイスがセマンティック通信(SC)を通じて警告を送ることができる産業用エッジセマンティックネットワーク(IESN)を提案する。 したがって、(1)データのプライバシーとセキュリティを考慮すべきである。 2)異種デバイスに対するSCモデル適応 (3)意味論の説明可能性 そこで、まず、SCモデルをトレーニングするためのeXplainable Semantic Federated Learning (XSFL)を提案する。 そこで我々は,そのFisher情報行列に従って各デバイスに特定のSCモデルを提供するための適応クライアントトレーニング(ACT)戦略を提案し,その不均一性を克服する。 次に Explainable SC (ESC) メカニズムを設計し,抽出したセマンティクスと監視データとの関係を説明するために,リークしたReLUベースのアクティベーションマッピングを導入する。 最後に,XSFLの有効性をシミュレーションにより検証した。

関連論文リスト

• Novel Approach to Intrusion Detection: Introducing GAN-MSCNN-BILSTM with LIME Predictions [0.0]
  本稿では、GAN(Generative Adversarial Networks)、MSCNN(Multi-Scale Convolutional Neural Networks)、Bidirectional Long Short-Term Memory(BiLSTM)を利用した革新的な侵入検知システムを提案する。 このシステムは、通常のパターンと攻撃パターンの両方を含む、現実的なネットワークトラフィックデータを生成する。 標準ベンチマークであるHogzillaデータセットの評価では、多クラス分類では99.16%、バイナリ分類では99.10%という印象的な精度を示している。
  論文  参考訳（メタデータ） (2024-06-08T11:26:44Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• ZEST: Attention-based Zero-Shot Learning for Unseen IoT Device Classification [4.019791616006652]
  ZEST - 目に見えないデバイスと見えないデバイスの両方を分類するための自己注意に基づくZSL(ゼロショット学習)フレームワークを提案する。 ZESTは、i)IoTトラフィックの潜時空間表現を抽出する自己注意型ネットワーク特徴抽出器SANE、i)擬似データを生成するために潜時特徴を用いてデコーダを訓練する生成モデル、iii)生成した擬似データに基づいてデバイスを分類するために訓練された教師付きモデルからなる。
  論文  参考訳（メタデータ） (2023-10-12T05:08:21Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
  創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
  論文  参考訳（メタデータ） (2022-10-21T15:33:37Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
  エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。 提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。 収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T16:46:45Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。