Fugu-MT 論文翻訳(概要): Federated Learning and Trajectory Compression for Enhanced AIS Coverage

論文の概要: Federated Learning and Trajectory Compression for Enhanced AIS Coverage

arxiv url: http://arxiv.org/abs/2512.03584v1
Date: Wed, 03 Dec 2025 09:10:07 GMT
ステータス: 情報取得中
システム内更新日: 2025-12-04 12:04:03.034265
Title: Federated Learning and Trajectory Compression for Enhanced AIS Coverage
Title（参考訳）: 拡張AIS被覆に対するフェデレーション学習と軌道圧縮
Authors: Thomas Gräupl, Andreas Reisenbauer, Marcel Hecko, Anil Rasouli, Anita Graser, Melitta Dragaschnig, Axel Weissenfeld, Gilles Dejaegere, Mahmoud Sakr,
Abstract要約: VesselEdgeは、容器をモバイルセンサーに変換し、リアルタイムの異常検出と効率的なデータ伝送を可能にする。システムは、連合学習のためのM3fedモデルと、軌道圧縮のためのBWC-DR-Aアルゴリズムを統合する。
参考スコア（独自算出の注目度）: 0.5417521241272645
License:
Abstract: This paper presents the VesselEdge system, which leverages federated learning and bandwidth-constrained trajectory compression to enhance maritime situational awareness by extending AIS coverage. VesselEdge transforms vessels into mobile sensors, enabling real-time anomaly detection and efficient data transmission over low-bandwidth connections. The system integrates the M3fed model for federated learning and the BWC-DR-A algorithm for trajectory compression, prioritizing anomalous data. Preliminary results demonstrate the effectiveness of VesselEdge in improving AIS coverage and situational awareness using historical data.
Abstract（参考訳）: 本稿では,AISのカバー範囲を広げることにより,海上状況に対する意識を高めるために,フェデレーション学習と帯域制限付き軌道圧縮を利用するVesselEdgeシステムを提案する。 VesselEdgeは、容器をモバイルセンサーに変換し、低帯域接続上でリアルタイムの異常検出と効率的なデータ伝送を可能にする。このシステムは、フェデレート学習のためのM3fedモデルと、軌跡圧縮のためのBWC-DR-Aアルゴリズムを統合し、異常データを優先する。予備的な結果は、歴史的データを用いたAISカバレッジと状況認識の改善におけるVesselEdgeの有効性を示す。

関連論文リスト

Rec-AD: An Efficient Computation Framework for FDIA Detection Based on Tensor Train Decomposition and Deep Learning Recommendation Model [9.222461989780735]
深層学習モデルは、スマートグリッドにおけるFalse Data Injection Attack(FDIA)検出に広く採用されている。本稿では、列車分解と深層学習勧告モデル(DLRM)を統合する計算効率の良いフレームワークRec-ADを提案する。 PyTorchと完全に互換性があるため、Rec-ADはコード修正なしで既存のFDIA検出システムに統合できる。
論文参考訳（メタデータ） (2025-07-19T15:38:56Z)
Federated Koopman-Reservoir Learning for Large-Scale Multivariate Time-Series Anomaly Detection [12.44225906937484]
FedKOは、教師なしのFederated Learningフレームワークである。エッジデバイスにデプロイされ、ローカルMVTSストリームの異常を効率的に検出する。最大8倍の通信サイズと2倍のメモリ使用量を削減し、大規模システムに非常に適している。
論文参考訳（メタデータ） (2025-03-14T10:06:52Z)
Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。ディープラーニングによる異常検出が重要な方向として現れている。エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文参考訳（メタデータ） (2024-11-06T15:38:31Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments [2.7776688429637466]
FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
論文参考訳（メタデータ） (2023-05-15T10:09:07Z)
Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文参考訳（メタデータ） (2023-02-19T17:42:35Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2022-02-14T07:01:01Z)
Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。