Fugu-MT 論文翻訳(概要): An Ensembled Penalized Federated Learning Framework for Falling People Detection

論文の概要: An Ensembled Penalized Federated Learning Framework for Falling People Detection

arxiv url: http://arxiv.org/abs/2510.20960v1
Date: Thu, 23 Oct 2025 19:37:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 06:57:23.347794
Title: An Ensembled Penalized Federated Learning Framework for Falling People Detection
Title（参考訳）: 転倒者検出のためのペナルティ付きフェデレーション学習フレームワーク
Authors: Sizhe Rao, Runqiu Zhang, Sajal Saha, Liang Chen,
Abstract要約: 従来の転倒検出アプローチは、一般化可能性の制限、データプライバシの懸念、個人の動作の多様性といった重要な課題に悩まされることが多い。本稿では,連続学習,パーソナライズドモデリング,SWA(Specialized Weighted Aggregation)戦略を統合したEPFL-an Ensembled Penalized Federated Learningフレームワークを提案する。 EPFLは、ウェアラブルセンサーデータを活用して、シーケンシャルな動きパターンをキャプチャし、均質な暗号化とフェデレートされたトレーニングを通じてユーザのプライバシを保存する。
参考スコア（独自算出の注目度）: 5.060598551125282
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Falls among elderly and disabled individuals remain a leading cause of injury and mortality worldwide, necessitating robust, accurate, and privacy-aware fall detection systems. Traditional fall detection approaches, whether centralized or point-wise, often struggle with key challenges such as limited generalizability, data privacy concerns, and variability in individual movement behaviors. To address these limitations, we propose EPFL-an Ensembled Penalized Federated Learning framework that integrates continual learning, personalized modeling, and a novel Specialized Weighted Aggregation (SWA) strategy. EPFL leverages wearable sensor data to capture sequential motion patterns while preserving user privacy through homomorphic encryption and federated training. Unlike existing federated models, EPFL incorporates both penalized local training and ensemble-based inference to improve inter-client consistency and adaptability to behavioral differences. Extensive experiments on a benchmark fall detection dataset demonstrate the effectiveness of our approach, achieving a Recall of 88.31 percent and an F1-score of 89.94 percent, significantly outperforming both centralized and baseline models. This work presents a scalable, secure, and accurate solution for real-world fall detection in healthcare settings, with strong potential for continuous improvement via its adaptive feedback mechanism.
Abstract（参考訳）: 高齢者や障害者の転倒は、世界中での怪我や死亡の主な原因であり、堅牢で正確でプライバシーに配慮した転倒検知システムを必要とする。中央集権的であれポイント的であれ、従来の転倒検出アプローチは、限定的な一般化可能性、データプライバシの懸念、個人の動作の多様性といった重要な課題に悩まされることが多い。これらの制約に対処するために、連続学習、パーソナライズドモデリング、新しいSWA戦略を統合するEPFL-an Ensembled Penalized Federated Learningフレームワークを提案する。 EPFLは、ウェアラブルセンサーデータを活用して、シーケンシャルな動きパターンをキャプチャし、均質な暗号化とフェデレートされたトレーニングを通じてユーザのプライバシを保存する。既存のフェデレーションモデルとは異なり、EPFLはペナル化ローカルトレーニングとアンサンブルベースの推論の両方を取り入れ、クライアント間の一貫性と行動の違いへの適応性を改善する。ベンチマークフォール検出データセットの大規模な実験は、88.31パーセントのリコールと89.94パーセントのF1スコアを達成し、中央集権モデルとベースラインモデルの両方を著しく上回る、我々のアプローチの有効性を実証している。この研究は、医療環境における現実の転倒検出のためのスケーラブルでセキュアで正確なソリューションを示し、適応的なフィードバックメカニズムを通じて継続的改善の可能性が強い。

関連論文リスト

CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文参考訳（メタデータ） (2025-10-23T05:10:06Z)
A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection [17.73056562717683]
CoZADは、新しいゼロショット異常検出フレームワークである。ソフト・インテリジェンス・ラーニングとメタラーニングとコントラスト的特徴表現を統合している。 7つの産業ベンチマークのうち6つで既存の手法を上回ります。
論文参考訳（メタデータ） (2025-08-25T09:27:31Z)
Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文参考訳（メタデータ） (2025-03-21T06:12:06Z)
Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
論文参考訳（メタデータ） (2024-10-25T23:00:12Z)
Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文参考訳（メタデータ） (2024-03-05T20:54:56Z)
The Effectiveness of Random Forgetting for Robust Generalization [21.163070161951868]
我々は,FOMO(Fordt to Mitigate Overfitting)と呼ばれる新しい学習パラダイムを導入する。 FOMOは、重みのサブセットをランダムに忘れる忘れ相と、一般化可能な特徴の学習を強調する再学習相とを交互に扱う。実験の結果, FOMOは最良と最終ロバストなテスト精度のギャップを大幅に減らし, 頑健なオーバーフィッティングを緩和することがわかった。
論文参考訳（メタデータ） (2024-02-18T23:14:40Z)
FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning [5.622065847054885]
Federated Learning (FL)は、分散デバイス間でのプライバシ保護モデルトレーニングのための有望なアプローチとして登場した。我々はtextbfAdaptive textbfAggregation を通じてクライアントのコントリビューションを最適化する textbfFedAA という新しい手法を導入し、悪意のあるクライアントに対するモデルロバスト性を高める。
論文参考訳（メタデータ） (2024-02-08T10:22:12Z)
Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文参考訳（メタデータ） (2023-03-01T06:16:15Z)
Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
論文参考訳（メタデータ） (2021-12-14T09:19:29Z)
Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation [100.69458267888962]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
論文参考訳（メタデータ） (2021-10-25T02:51:05Z)

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。