論文の概要: Federated Learning for Cyber Physical Systems: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2505.04873v1
• Date: Thu, 08 May 2025 01:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.708003
• Title: Federated Learning for Cyber Physical Systems: A Comprehensive Survey
• Title（参考訳）: サイバー物理システムのためのフェデレートラーニング : 総合的な調査
• Authors: Minh K. Quan, Pubudu N. Pathirana, Mayuri Wijayasundara, Sujeeva Setunge, Dinh C. Nguyen, Christopher G. Brinton, David J. Love, H. Vincent Poor,
• Abstract要約: 近年,フェデレートラーニング(FL)が普及している。 この記事では、FLが、インテリジェントトランスポートシステム、サイバーセキュリティサービス、スマートシティ、スマートヘルスケアソリューションなど、重要なCPSアプリケーションでどのように利用されるのかを精査する。
• 参考スコア（独自算出の注目度）: 49.54239703000928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of machine learning (ML) in cyber physical systems (CPS) is a complex task due to the challenges that arise in terms of real-time decision making, safety, reliability, device heterogeneity, and data privacy. There are also open research questions that must be addressed in order to fully realize the potential of ML in CPS. Federated learning (FL), a distributed approach to ML, has become increasingly popular in recent years. It allows models to be trained using data from decentralized sources. This approach has been gaining popularity in the CPS field, as it integrates computer, communication, and physical processes. Therefore, the purpose of this work is to provide a comprehensive analysis of the most recent developments of FL-CPS, including the numerous application areas, system topologies, and algorithms developed in recent years. The paper starts by discussing recent advances in both FL and CPS, followed by their integration. Then, the paper compares the application of FL in CPS with its applications in the internet of things (IoT) in further depth to show their connections and distinctions. Furthermore, the article scrutinizes how FL is utilized in critical CPS applications, e.g., intelligent transportation systems, cybersecurity services, smart cities, and smart healthcare solutions. The study also includes critical insights and lessons learned from various FL-CPS implementations. The paper's concluding section delves into significant concerns and suggests avenues for further research in this fast-paced and dynamic era.
• Abstract（参考訳）: サイバー物理システム(CPS)における機械学習(ML)の統合は、リアルタイム意思決定、安全性、信頼性、デバイスの不均一性、データプライバシといった問題によって生じる複雑なタスクである。 また、CPSにおけるMLの可能性を完全に実現するためには、オープンな研究課題も解決しなければならない。 MLに対する分散アプローチであるフェデレートラーニング(FL)は近年ますます人気が高まっている。 これにより、分散ソースのデータを使用してモデルをトレーニングすることができる。 このアプローチはコンピュータ、通信、物理プロセスを統合することで、CPSの分野で人気を博している。 そこで本研究の目的は,最近開発されたFL-CPSのアプリケーション領域,システムトポロジ,アルゴリズムなど,最近のFL-CPSの発展を包括的に分析することである。 論文はFLとCPSの最近の進歩とそれに続く統合について論じることから始まる。 そこで本論文では,CPSにおけるFLの応用とモノのインターネット(IoT)の応用を更に深く比較し,それらの相互関係と区別を示す。 さらに、この記事では、FLが重要なCPSアプリケーション、例えばインテリジェントトランスポートシステム、サイバーセキュリティサービス、スマートシティ、スマートヘルスケアソリューションでどのように利用されているかを精査している。 この研究には、さまざまなFL-CPS実装から学んだ批判的な洞察と教訓も含まれている。 この論文の結論は、この急激でダイナミックな時代のさらなる研究の道筋を示唆している。

関連論文リスト

• Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
  ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。 Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。 Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。 SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
  論文  参考訳（メタデータ） (2024-05-01T14:59:24Z)
• Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
  Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。 ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。 このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
  論文  参考訳（メタデータ） (2023-10-08T19:54:26Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• 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)
• Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
  フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。 FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
  論文  参考訳（メタデータ） (2022-05-18T10:47:09Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Resilient Machine Learning for Networked Cyber Physical Systems: A Survey for Machine Learning Security to Securing Machine Learning for CPS [3.5643245407473545]
  サイバー物理システム(CPS)は、物理と情報の世界を統合する能力によって特徴付けられる。 CPSにおけるサイバー上の関心の引き金は、センサから無線通信媒体を介してアクチュエータに情報を送信するプロセスから生じる。 敵対者の増加の世界では、CPSが敵対攻撃から完全に防ぐことがますます困難になっています。 レジリエントなCPSは障害に耐え、敵の操作にもかかわらず機能するように設計されている。
  論文  参考訳（メタデータ） (2021-02-14T20:50:18Z)

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。