論文の概要: GraMFedDHAR: Graph Based Multimodal Differentially Private Federated HAR

• arxiv url: http://arxiv.org/abs/2509.05671v1
• Date: Sat, 06 Sep 2025 10:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.645778
• Title: GraMFedDHAR: Graph Based Multimodal Differentially Private Federated HAR
• Title（参考訳）: GraMFedDHAR:グラフベースのマルチモーダル微分プライベートHAR
• Authors: Labani Halder, Tanmay Sen, Sarbani Palit,
• Abstract要約: マルチモーダルセンサデータを用いたヒューマンアクティビティ認識(HAR)は、ノイズや不完全な測定、ラベル付きサンプルの不足、プライバシー上の懸念などにより、依然として困難である。 本稿では、HARタスクに対してグラフベースのマルチモーダルフェデレートラーニングフレームワークGraMFedDHARを提案する。 提案したMultiModalGCNモデルは,DP以外の設定で最大2%高い精度で,ベースラインのMultiModalFFNより優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.5008597638379227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) using multimodal sensor data remains challenging due to noisy or incomplete measurements, scarcity of labeled examples, and privacy concerns. Traditional centralized deep learning approaches are often constrained by infrastructure availability, network latency, and data sharing restrictions. While federated learning (FL) addresses privacy by training models locally and sharing only model parameters, it still has to tackle issues arising from the use of heterogeneous multimodal data and differential privacy requirements. In this article, a Graph-based Multimodal Federated Learning framework, GraMFedDHAR, is proposed for HAR tasks. Diverse sensor streams such as a pressure mat, depth camera, and multiple accelerometers are modeled as modality-specific graphs, processed through residual Graph Convolutional Neural Networks (GCNs), and fused via attention-based weighting rather than simple concatenation. The fused embeddings enable robust activity classification, while differential privacy safeguards data during federated aggregation. Experimental results show that the proposed MultiModalGCN model outperforms the baseline MultiModalFFN, with up to 2 percent higher accuracy in non-DP settings in both centralized and federated paradigms. More importantly, significant improvements are observed under differential privacy constraints: MultiModalGCN consistently surpasses MultiModalFFN, with performance gaps ranging from 7 to 13 percent depending on the privacy budget and setting. These results highlight the robustness of graph-based modeling in multimodal learning, where GNNs prove more resilient to the performance degradation introduced by DP noise.
• Abstract（参考訳）: マルチモーダルセンサデータを用いたヒューマンアクティビティ認識(HAR)は、ノイズや不完全な測定、ラベル付きサンプルの不足、プライバシー上の懸念などにより、依然として困難である。 従来の集中型ディープラーニングアプローチは、インフラストラクチャの可用性、ネットワークレイテンシ、データ共有の制限によって制約されることが多い。 フェデレーションラーニング(FL)は、モデルをローカルにトレーニングし、モデルパラメータのみを共有することでプライバシに対処するが、異種マルチモーダルデータの使用と差分プライバシ要件による問題に対処する必要がある。 本稿では、HARタスクに対してグラフベースのマルチモーダルフェデレートラーニングフレームワークGraMFedDHARを提案する。 圧力マット、深度カメラ、複数加速度計などの各種センサストリームは、モダリティ固有のグラフとしてモデル化され、残差グラフ畳み込みニューラルネットワーク(GCN)によって処理され、単純な結合ではなく、注意に基づく重み付けによって融合される。 融合した埋め込みは堅牢なアクティビティ分類を可能にし、差分プライバシーはフェデレーションアグリゲーション中にデータを保護します。 実験結果から,提案したMultiModalGCNモデルは,集中型およびフェデレーション型両方のDP設定において,最大2%の精度でベースラインであるMultiModalFFNより優れていた。 MultiModalGCNは、プライバシーの予算と設定に応じて、パフォーマンスのギャップが7%から13%と、一貫してMultiModalFFNを上回っています。 これらの結果は多モード学習におけるグラフベースモデリングの堅牢性を強調し、GNNはDPノイズによる性能劣化に対してより弾力性があることを証明している。

関連論文リスト

• Embedding-Based Federated Data Sharing via Differentially Private Conditional VAEs [0.13108652488669734]
  フェデレートラーニング(FL)は、分散トレーニングを可能にするが、高いコミュニケーションコストに悩まされる。 差分的プライベート(DP)生成モデルを用いたデータ共有手法を提案する。 クライアントは、グローバルでプライバシを意識したデータ配布をモデル化するために、差分的にプライベートな条件変分自動エンコーダ(DP-CVAE)を共同でトレーニングする。
  論文  参考訳（メタデータ） (2025-07-03T14:36:15Z)
• MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
  MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。 MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-29T06:41:00Z)
• Privacy-preserving datasets by capturing feature distributions with Conditional VAEs [0.11999555634662634]
  条件付き変分オートエンコーダ(CVAE)は、大きな事前学習された視覚基盤モデルから抽出された特徴ベクトルに基づいて訓練される。 本手法は, 医用領域と自然画像領域の両方において, 従来のアプローチよりも優れている。 結果は、データスカースおよびプライバシに敏感な環境におけるディープラーニングアプリケーションに大きな影響を与える生成モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-01T15:26:24Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)
• Unimodal Training-Multimodal Prediction: Cross-modal Federated Learning with Hierarchical Aggregation [16.308470947384134]
  HA-Fedformerは新しいトランスフォーマーベースのモデルで、クライアントでのアンモダルデータセットのみを使用して、単一モダルトレーニングを可能にする。 我々は,マルコフ連鎖モンテカルロサンプリングを用いた局所エンコーダの不確実性を考慮したアグリゲーション法を開発した。 一般的な感情分析ベンチマークであるCMU-MOSIとCMU-MOSEIの実験は、HA-Fedformerが最先端のマルチモーダルモデルを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2023-03-27T07:07:33Z)
• Differentially Private Graph Classification with GNNs [5.830410490229634]
  グラフネットワーク(GNN)は多くの機械学習アプリケーションの最先端モデルとして確立されている。 グラフにおける機械学習の重要な応用の1つであるグラフレベル分類の差分プライバシーを導入する。 各種の合成および公開データセットについて結果を示し、異なるGNNアーキテクチャの影響を評価する。
  論文  参考訳（メタデータ） (2022-02-05T15:16:40Z)
• Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
  そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。 差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
  論文  参考訳（メタデータ） (2021-11-01T18:10:21Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。