論文の概要: Federated Learning Inspired Fuzzy Systems: Decentralized Rule Updating for Privacy and Scalable Decision Making
- arxiv url: http://arxiv.org/abs/2507.06652v1
- Date: Wed, 09 Jul 2025 08:34:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.527636
- Title: Federated Learning Inspired Fuzzy Systems: Decentralized Rule Updating for Privacy and Scalable Decision Making
- Title（参考訳）: Federated Learning Inspired Fuzzy Systems: プライバシとスケーラブルな意思決定のための分散ルール更新
- Authors: Arthur Alexander Lim, Zhen Bin It, Jovan Bowen Heng, Tee Hui Teo,
- Abstract要約: ファジィシステムは、機械、システム、フレームワークが不確実性に対処できるようにする方法である。
機械学習とフェデレーション学習はファジィシステムを改善するために使用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fuzzy systems are a way to allow machines, systems and frameworks to deal with uncertainty, which is not possible in binary systems that most computers use. These systems have already been deployed for certain use cases, and fuzzy systems could be further improved as proposed in this paper. Such technologies to draw inspiration from include machine learning and federated learning. Machine learning is one of the recent breakthroughs of technology and could be applied to fuzzy systems to further improve the results it produces. Federated learning is also one of the recent technologies that have huge potential, which allows machine learning training to improve by reducing privacy risk, reducing burden on networking infrastructure, and reducing latency of the latest model. Aspects from federated learning could be used to improve federated learning, such as applying the idea of updating the fuzzy rules that make up a key part of fuzzy systems, to further improve it over time. This paper discusses how these improvements would be implemented in fuzzy systems, and how it would improve fuzzy systems. It also discusses certain limitations on the potential improvements. It concludes that these proposed ideas and improvements require further investigation to see how far the improvements are, but the potential is there to improve fuzzy systems.
- Abstract（参考訳）: ファジィシステムは、機械、システム、フレームワークが不確実性に対処できるようにする方法であり、ほとんどのコンピュータが使用しているバイナリシステムでは不可能である。
これらのシステムはすでに特定のユースケースにデプロイされており、本論文で提案したファジィシステムは更に改善される可能性がある。
インスピレーションを引き出す技術には、機械学習とフェデレーション学習がある。
機械学習は、最近の技術のブレークスルーの1つであり、ファジィシステムに適用して、それが生み出す結果をさらに改善することができる。
これにより、プライバシのリスクを低減し、ネットワークインフラストラクチャの負担を軽減し、最新のモデルのレイテンシを低減できる。
ファジィ学習の側面は、ファジィシステムの重要な部分を構成するファジィルールを更新するという考え方を適用して、時間とともに改善するなど、フェデレーション学習を改善するために使われる。
本稿では, ファジィシステムにおいてこれらの改善がどのように実装されるか, ファジィシステムをどのように改善するかについて論じる。
また、潜在的な改善に関するいくつかの制限についても論じている。
提案されたアイデアと改善は、改善がどこまで進んでいるかを調べるためにさらなる調査を必要とするが、ファジィシステムを改善する可能性があると結論付けている。
関連論文リスト
- Lyapunov Learning at the Onset of Chaos [41.94295877935867]
我々はtextitLyapunov Learning と呼ばれるニューラルネットワークの新しいトレーニングアルゴリズムを提案する。
本手法は,非定常系における状態変化を含む実験において,有効かつ重要な改善を示すものである。
論文 参考訳（メタデータ） (2025-06-15T10:53:02Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Gradient-based Fuzzy System Optimisation via Automatic Differentiation -- FuzzyR as a Use Case [14.211148966253438]
我々は,ファジィシステム設計者が複雑な微分計算から自由なファジィシステム設計へ向けて,ニューラルネットワーク学習に精通する自動微分に焦点をあてる。
本稿では、ファジィ推論システムの実装が、自動微分ツールセットの強力な機能を活用するためにどのように調整できるかを示す。
論文 参考訳（メタデータ） (2024-03-18T23:18:16Z) - The least-control principle for learning at equilibrium [65.2998274413952]
我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。
私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
論文 参考訳（メタデータ） (2022-07-04T11:27:08Z) - Implementing Spiking Neural Networks on Neuromorphic Architectures: A
Review [0.19573380763700707]
我々は,ニューロモルフィックコンピューティングのシステムソフトウェア技術分野における将来が持つ課題と機会を強調する。
プラットフォームベース設計とハードウェア・ソフトウェア共同設計の両方に提案されているフレームワークの概要について概説する。
論文 参考訳（メタデータ） (2022-02-17T21:00:59Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳（メタデータ） (2022-01-29T01:03:29Z) - Concept Drift Detection in Federated Networked Systems [8.856632645630887]
フェデレートラーニングは、インテリジェントで分散的なネットワークを実現する重要な技術として認識されている。
概念ドリフトはモデルの性能に直接影響を与え、現代のネットワークが提供する危機的・緊急的なサービスを考えると、深刻な結果をもたらす可能性がある。
本稿では,学習プロセスの各イテレーションで提供されるフェデレーション学習の更新を活用して,概念ドリフト検出システムを提案する。
論文 参考訳（メタデータ） (2021-09-13T16:05:33Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z) - Distributed Learning on Heterogeneous Resource-Constrained Devices [3.6187468775839373]
我々は、ローエンドからハイエンドまで多種多様なデバイスからなる分散システムを考える。
このような異種システムにおける分散学習を実現するための最初のアプローチを提案する。
このアプローチを適用すると、各デバイスは、その能力に適合するトポロジを備えたニューラルネットワーク(NN)を使用するが、これらのNNの一部は、同じトポロジを共有して、それらのパラメータを共同で学習することができる。
論文 参考訳（メタデータ） (2020-06-09T16:58:49Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳（メタデータ） (2020-05-02T06:41:20Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。