論文の概要: FedAPA: Federated Learning with Adaptive Prototype Aggregation Toward Heterogeneous Wi-Fi CSI-based Crowd Counting

• arxiv url: http://arxiv.org/abs/2511.21048v1
• Date: Wed, 26 Nov 2025 04:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.964111
• Title: FedAPA: Federated Learning with Adaptive Prototype Aggregation Toward Heterogeneous Wi-Fi CSI-based Crowd Counting
• Title（参考訳）: FedAPA: 異種Wi-Fi CSIに基づく集団計数に向けた適応型プロトタイプアグリゲーションによるフェデレーションラーニング
• Authors: Jingtao Guo, Yuyi Mao, Ivan Wang-Hei Ho,
• Abstract要約: Wi-Fiチャネル状態情報(CSI)に基づくセンシングは、人間の活動認識や群衆カウントといったタスクに対して、非侵襲的でデバイスフリーなアプローチを提供する。 本稿では、アダプティブプロトタイプアグリゲーション(APA)戦略を用いて、類似度に基づく重み付けをピアプロトタイプに割り当てる、協調的なWi-Fi CSIベースのセンシングアルゴリズムであるFedAPAを提案する。 我々は、FedAPAの収束分析を行い、6つの環境と最大20人の実世界分散Wi-Fiクラウドカウントシナリオで評価する。
• 参考スコア（独自算出の注目度）: 12.376024466247415
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Wi-Fi channel state information (CSI)-based sensing provides a non-invasive, device-free approach for tasks such as human activity recognition and crowd counting, but large-scale deployment is hindered by the need for extensive site-specific training data. Federated learning (FL) offers a way to avoid raw data sharing but is challenged by heterogeneous sensing data and device resources. This paper proposes FedAPA, a collaborative Wi-Fi CSI-based sensing algorithm that uses adaptive prototype aggregation (APA) strategy to assign similarity-based weights to peer prototypes, enabling adaptive client contributions and yielding a personalized global prototype for each client instead of a fixed-weight aggregation. During local training, we adopt a hybrid objective that combines classification learning with representation contrastive learning to align local and global knowledge. We provide a convergence analysis of FedAPA and evaluate it in a real-world distributed Wi-Fi crowd counting scenario with six environments and up to 20 people. The results show that our method outperform multiple baselines in terms of accuracy, F1 score, mean absolute error (MAE), and communication overhead, with FedAPA achieving at least a 9.65% increase in accuracy, a 9% gain in F1 score, a 0.29 reduction in MAE, and a 95.94% reduction in communication overhead.
• Abstract（参考訳）: Wi-Fiチャネル状態情報(CSI)に基づくセンシングは、人間の活動認識やクラウドカウントといったタスクに対して非侵襲的で非侵襲的なアプローチを提供するが、大規模なデプロイメントは、広範なサイト固有のトレーニングデータの必要性によって妨げられる。 フェデレートラーニング(FL)は生データ共有を回避する手段を提供するが、異質なセンシングデータやデバイスリソースに悩まされる。 本稿では,アダプティブ・プロトタイプ・アグリゲーション(APA)戦略を用いて,アダプティブ・プロトタイプ・アグリゲーション(APA)をピアプロトタイプに割り当て,アダプティブ・クライアントのコントリビューションを実現し,固定重み付けではなく,各クライアントに対してパーソナライズされたグローバル・プロトタイプを提供する,協調的なWi-Fi CSIベースのセンシングアルゴリズムであるFedAPAを提案する。 地域学習において、分類学習と表現的対照的な学習を組み合わせ、局所的知識とグローバル的知識を整合させるハイブリッドな目的を取り入れた。 我々は、FedAPAの収束分析を行い、6つの環境と最大20人の実世界分散Wi-Fiクラウドカウントシナリオで評価する。 その結果,FedAPAの精度は9.65%,F1のスコアは9%,MAEは0.29,通信オーバーヘッドは95.94%向上した。

関連論文リスト

• Argos: A Decentralized Federated System for Detection of Traffic Signs in CAVs [0.8999666725996974]
  本研究では,車載ネットワーク上での交通信号検出に適した分散化・フェデレート学習フレームワークを提案する。 このフレームワークは、軽量物体検出器を用いた特別なローカルトレーニングのために、車両間でトラフィックサインクラスを分割した。 このフェデレートされたアプローチは、現実世界の車両配備にスケーラブルでプライバシ保護のソリューションを提供する可能性があると結論付けています。
  論文  参考訳（メタデータ） (2025-08-18T08:22:57Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Enhancing Federated Learning Convergence with Dynamic Data Queue and Data Entropy-driven Participant Selection [13.825031686864559]
  Federated Learning(FL)は、エッジデバイス上でのコラボレーティブモデルトレーニングのための分散アプローチである。 本稿では,サーバ上のデータのグローバルサブセットを作成し,デバイス間で動的に分散することにより,FLの収束を改善する手法を提案する。 提案手法により,MNISTデータセットでは約5%,CIFAR-10では約18%,CIFAR-100では約20%の精度向上を実現した。
  論文  参考訳（メタデータ） (2024-10-23T11:47:04Z)
• SFedCA: Credit Assignment-Based Active Client Selection Strategy for Spiking Federated Learning [15.256986486372407]
  フェデレーション学習のスパイクにより、リソースに制約のあるデバイスは、ローカルデータを交換することなく、低消費電力で協調的にトレーニングできる。 既存のスパイキングフェデレーション学習手法では、クライアントのアグリゲーションに対してランダムな選択アプローチを採用しており、不偏なクライアントの参加を前提としている。 本研究では,グローバルなサンプル分布バランスに寄与するクライアントを鑑定するために,クレジット割当に基づくアクティブクライアント選択戦略であるSFedCAを提案する。
  論文  参考訳（メタデータ） (2024-06-18T01:56:22Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• CatFedAvg: Optimising Communication-efficiency and Classification Accuracy in Federated Learning [2.2172881631608456]
  そこで我々はCatFedAvgというフェデレート学習アルゴリズムを新たに導入した。 コミュニケーション効率は向上するが、NIST戦略のカテゴリカバレッジを用いて学習の質を向上させる。 実験の結果,FedAvgよりもネットワーク転送率が70%低いMデータセットでは,10%の絶対点精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2020-11-14T06:52:02Z)

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。