論文の概要: A Survey on Federated Learning in Human Sensing

• arxiv url: http://arxiv.org/abs/2501.04000v1
• Date: Tue, 07 Jan 2025 18:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:46:11.843514
• Title: A Survey on Federated Learning in Human Sensing
• Title（参考訳）: ヒューマンセンシングにおけるフェデレーション学習に関する調査
• Authors: Mohan Li, Martin Gjoreski, Pietro Barbiero, Gašper Slapničar, Mitja Luštrek, Nicholas D. Lane, Marc Langheinrich,
• Abstract要約: Federated Learning(FL)は、ユーザデータを中央サーバに送信することなく、正確なMLモデルを作成することを約束する。 Human Sensingは、機械学習(ML)モデルの基礎として、詳細でしばしばプライバシーに敏感なデータに依存している。 FLは、テキスト予測やサイバーセキュリティなど、さまざまな分野においてその有用性を実証してきたが、ヒューマンセンシングのメリットは未調査である。
• 参考スコア（独自算出の注目度）: 19.506949158995578
• License:
• Abstract: Human Sensing, a field that leverages technology to monitor human activities, psycho-physiological states, and interactions with the environment, enhances our understanding of human behavior and drives the development of advanced services that improve overall quality of life. However, its reliance on detailed and often privacy-sensitive data as the basis for its machine learning (ML) models raises significant legal and ethical concerns. The recently proposed ML approach of Federated Learning (FL) promises to alleviate many of these concerns, as it is able to create accurate ML models without sending raw user data to a central server. While FL has demonstrated its usefulness across a variety of areas, such as text prediction and cyber security, its benefits in Human Sensing are under-explored, given the particular challenges in this domain. This survey conducts a comprehensive analysis of the current state-of-the-art studies on FL in Human Sensing, and proposes a taxonomy and an eight-dimensional assessment for FL approaches. Through the eight-dimensional assessment, we then evaluate whether the surveyed studies consider a specific FL-in-Human-Sensing challenge or not. Finally, based on the overall analysis, we discuss open challenges and highlight five research aspects related to FL in Human Sensing that require urgent research attention. Our work provides a comprehensive corpus of FL studies and aims to assist FL practitioners in developing and evaluating solutions that effectively address the real-world complexities of Human Sensing.
• Abstract（参考訳）: ヒューマン・センシング(Human Sensing)は、人間の活動、心理生理状態、環境との相互作用を監視する技術を活用する分野であり、人間の行動に対する理解を高め、生活の全体的な品質を改善する先進的なサービスの開発を促進する。 しかし、機械学習(ML)モデルの基礎として、詳細でしばしばプライバシーに敏感なデータに依存しているため、法的および倫理的懸念が高まる。 最近提案されたフェデレートラーニング(FL)のMLアプローチは、生のユーザデータを中央サーバに送信することなく正確なMLモデルを作成することができるため、これらの懸念の多くを軽減することを約束している。 FLはテキスト予測やサイバーセキュリティなど、さまざまな分野において有用性を示しているが、この領域の特定の課題を考えると、ヒューマンセンシングのメリットは未調査である。 本研究は,人間センシングにおけるFLの最先端研究を包括的に分析し,FLアプローチの分類と8次元評価を提案する。 8次元評価により,調査対象が特定のFL-in-Human-Sensing課題であるか否かを評価する。 最後に、その全体分析に基づいてオープン課題を議論し、緊急な研究の注意を要するヒューマンセンシングにおけるFLに関連する5つの研究側面を強調した。 我々の研究は、FL研究の包括的コーパスを提供し、人間の知覚の現実的な複雑さに効果的に対処するソリューションの開発と評価において、FL実践者を支援することを目的としている。

関連論文リスト

• The Transition from Centralized Machine Learning to Federated Learning for Mental Health in Education: A Survey of Current Methods and Future Directions [7.147592454527916]
  教育環境におけるメンタルヘルスデータ分析にフェデレートラーニングを統合するためのロードマップを提案する。 本稿では,学生のメンタルヘルス問題の概要と,これらの課題にMLを適用した既存研究について概観する。
  論文  参考訳（メタデータ） (2025-01-20T19:54:51Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• Advancing oncology with federated learning: transcending boundaries in breast, lung, and prostate cancer. A systematic review [3.0577027723576635]
  Federated Learning(FL)は、オンコロジーにおける集中型機械学習(ML)の限界に対処する、有望なソリューションとして登場した。 この体系的なレビューは、腫瘍学における最先端のFLに関する現在の知識を合成し、乳がん、肺がん、前立腺がんに焦点をあてる。
  論文  参考訳（メタデータ） (2024-08-08T14:36:16Z)
• Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
  ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。 これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。 FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
  論文  参考訳（メタデータ） (2024-05-10T19:22:24Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
  本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。 得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。 本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2023-07-06T10:38:14Z)
• A Survey on Computer Vision based Human Analysis in the COVID-19 Era [58.79053747159797]
  新型コロナウイルスの出現は、社会全体だけでなく、個人の生活にも大きく影響している。 マスクやソーシャルディスタンシングの義務、公共空間での定期消毒、スクリーニングアプリケーションの使用など、さまざまな予防策が世界中で導入されている。 これらの発展は、(i)視覚データの自動解析による予防対策の支援、(ii)生体認証などの既存の視覚ベースのサービスの正常な操作を容易にする、新しいコンピュータビジョン技術の必要性を喚起した。
  論文  参考訳（メタデータ） (2022-11-07T17:20:39Z)
• Deep Learning-Based Human Pose Estimation: A Survey [66.01917727294163]
  人間のポーズ推定は、過去10年間に注目を集めてきた。 ヒューマン・コンピュータ・インタラクション、モーション・アナリティクス、拡張現実、バーチャル・リアリティーなど幅広い用途で利用されている。 最近のディープラーニングベースのソリューションは、人間のポーズ推定において高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-12-24T18:49:06Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。