Fugu-MT 論文翻訳(概要): Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving

論文の概要: Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving

arxiv url: http://arxiv.org/abs/2504.15525v1
Date: Tue, 22 Apr 2025 02:01:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-01 00:46:15.84359
Title: Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving
Title（参考訳）: プライバシ保護による無線センサネットワーク信号復元のためのフェデレート潜在因子学習
Authors: Chengjun Yu, Yixin Ran, Yangyi Xia, Jia Wu, Xiaojing Liu,
Abstract要約: 無線センサネットワーク(英: Wireless Sensor Networks、WSN)は、インテリジェントセンシング分野における最先端のドメインである。センサの故障と省エネ戦略のため、収集されたデータには大量のデータがないことが多く、その後の分析や意思決定を妨げている。本稿では,FLFL-SSRという,FLFLに基づく空間信号回復モデルを提案する。 1) センサレベルのフェデレーション学習フレームワークを設計し,各センサが生データではなく更新のみをアップロードしてグローバルモデルを最適化し,2) 局所的な空間共有戦略を提案する。
参考スコア（独自算出の注目度）: 8.06377330950344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wireless Sensor Networks (WSNs) are a cutting-edge domain in the field of intelligent sensing. Due to sensor failures and energy-saving strategies, the collected data often have massive missing data, hindering subsequent analysis and decision-making. Although Latent Factor Learning (LFL) has been proven effective in recovering missing data, it fails to sufficiently consider data privacy protection. To address this issue, this paper innovatively proposes a federated latent factor learning (FLFL) based spatial signal recovery (SSR) model, named FLFL-SSR. Its main idea is two-fold: 1) it designs a sensor-level federated learning framework, where each sensor uploads only gradient updates instead of raw data to optimize the global model, and 2) it proposes a local spatial sharing strategy, allowing sensors within the same spatial region to share their latent feature vectors, capturing spatial correlations and enhancing recovery accuracy. Experimental results on two real-world WSNs datasets demonstrate that the proposed model outperforms existing federated methods in terms of recovery performance.
Abstract（参考訳）: 無線センサネットワーク(英: Wireless Sensor Networks、WSN)は、インテリジェントセンシング分野における最先端のドメインである。センサの故障や省エネ戦略のため、収集されたデータには大量のデータがないことが多く、その後の分析や意思決定を妨げている。遅延因子学習(LFL)は、欠落したデータの回復に有効であることが証明されているが、データのプライバシ保護を十分に考慮することができない。そこで本研究では,FLFL-SSRと呼ばれる,FLFLに基づく空間信号回復モデルを提案する。主な考え方は2つある。 1) センサレベルのフェデレーション学習フレームワークを設計し,各センサが生データの代わりに勾配更新のみをアップロードし,グローバルモデルを最適化する。 2)同じ空間領域内のセンサが潜在特徴ベクトルを共有でき,空間相関を捕捉し,再現精度を高める,局所的空間共有戦略を提案する。実世界の2つのWSNデータセットの実験結果から,提案モデルが既存のフェデレーション手法よりも回復性能が優れていることが示された。

関連論文リスト

Denoising and Adaptive Online Vertical Federated Learning for Sequential Multi-Sensor Data in Industrial Internet of Things [22.208830538149606]
本研究では,複数のセンサがリアルタイムデータを逐次収集する産業組立ラインシナリオに焦点を当てた。本稿では,Denoising and Adaptive Online Vertical Federated Learning (DAO-VFL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-01-03T08:22:15Z)
DeepHeteroIoT: Deep Local and Global Learning over Heterogeneous IoT Sensor Data [9.531834233076934]
本稿では,畳み込みニューラルネットワークと双方向Gated Recurrent Unitを併用して,局所的特徴とグローバルな特徴をそれぞれ学習する新しいディープラーニングモデルを提案する。特に、このモデルはデータセット全体で平均3.37%の精度と2.85%のF1スコアの絶対的な改善を実現している。
論文参考訳（メタデータ） (2024-03-29T06:24:07Z)
Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文参考訳（メタデータ） (2023-12-08T13:50:30Z)
Feature Matching Data Synthesis for Non-IID Federated Learning [7.740333805796447]
フェデレーション学習(FL)は、中央サーバでデータを収集することなく、エッジデバイス上でニューラルネットワークをトレーニングする。本稿では,局所モデル以外の補助データを共有するハード特徴マッチングデータ合成(HFMDS)手法を提案する。プライバシーの保存性を向上するため,本研究では,実際の特徴を決定境界に向けて伝達する機能拡張手法を提案する。
論文参考訳（メタデータ） (2023-08-09T07:49:39Z)
PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文参考訳（メタデータ） (2023-05-19T05:39:40Z)
Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文参考訳（メタデータ） (2023-02-19T17:42:35Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文参考訳（メタデータ） (2022-03-29T07:55:04Z)
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)
Efficient Ring-topology Decentralized Federated Learning with Deep Generative Models for Industrial Artificial Intelligent [13.982904025739606]
深層生成モデル(dgms)のためのリングトポジ型分散連体学習方式を提案する。我々のRDFLスキームは通信効率を向上し、目標IIoTタスクにおけるDGMを向上するための訓練性能を維持する。さらに、通信効率とFLセキュリティをさらに向上するため、IPFS(InterPlanetary File System)を導入している。
論文参考訳（メタデータ） (2021-04-15T08:09:54Z)
GEM: Glare or Gloom, I Can Still See You -- End-to-End Multimodal Object Detector [11.161639542268015]
厳しい照明条件下での2次元物体検出のためのセンサ対応マルチモーダル融合戦略を提案する。本ネットワークは,各センサモダリティの測定信頼性をスカラーウェイトとマスクの形で推定する。提案手法はFLIR-Thermalデータセット上で既存の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-02-24T14:56:37Z)

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。