論文の概要: FED-HARGPT: A Hybrid Centralized-Federated Approach of a Transformer-based Architecture for Human Context Recognition

• arxiv url: http://arxiv.org/abs/2603.24601v1
• Date: Fri, 13 Mar 2026 13:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.036979
• Title: FED-HARGPT: A Hybrid Centralized-Federated Approach of a Transformer-based Architecture for Human Context Recognition
• Title（参考訳）: FED-HARGPT:人間コンテキスト認識のためのトランスフォーマーベースアーキテクチャのハイブリッド集中型アプローチ
• Authors: Wandemberg Gibaut, Alexandre Osorio, Amparo Munoz, Sildolfo F. G. Neto, Fabio Grassiotto,
• Abstract要約: 本研究では,トランスフォーマーに基づくアーキテクチャを用いたHAR(Human Activity Recognition)のためのハイブリッド型集中型フェデレーションアプローチについて検討した。 本研究は,モバイルセンサデータを用いたHAR技術の展開と,Federated LearningをFlowerフレームワーク内で活用することに焦点を当てる。
• 参考スコア（独自算出の注目度）: 35.30809019374638
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The study explores a hybrid centralized-federated approach for Human Activity Recognition (HAR) using a Transformer-based architecture. With the increasing ubiquity of edge devices, such as smartphones and wearables, a significant amount of private data from wearable and inertial sensors is generated, facilitating discreet monitoring of human activities, including resting, sleeping, and walking. This research focuses on deploying HAR technologies using mobile sensor data and leveraging Federated Learning within the Flower framework to evaluate the training of a federated model derived from a centralized baseline. The experimental results demonstrate the effectiveness of the proposed hybrid approach in improving the accuracy and robustness of HAR models while preserving data privacy in a non-IID data scenario. The federated learning setup demonstrated comparable performance to centralized models, highlighting the potential of federated learning to strike a balance between data privacy and model performance in real-world applications.
• Abstract（参考訳）: 本研究では,トランスフォーマーに基づくアーキテクチャを用いたHAR(Human Activity Recognition)のためのハイブリッド型集中型フェデレーションアプローチについて検討した。 スマートフォンやウェアラブルなどのエッジデバイスの普及に伴い、ウェアラブルや慣性センサーからの大量のプライベートデータが生成される。 本研究は,モバイルセンサデータを用いたHAR技術の展開と,Federated LearningをFlowerフレームワーク内で活用して,集中型ベースラインから派生したフェデレーションモデルのトレーニングを評価することに焦点を当てる。 実験により,HARモデルの精度とロバスト性を向上し,非IIDデータシナリオにおけるデータのプライバシを保ちながら,ハイブリッド手法の有効性を実証した。 フェデレーション学習のセットアップは、集中型モデルに匹敵するパフォーマンスを示し、実際のアプリケーションにおけるデータプライバシとモデルパフォーマンスのバランスをとるためのフェデレーション学習の可能性を強調した。

関連論文リスト

• Learning More with Less: A Generalizable, Self-Supervised Framework for Privacy-Preserving Capacity Estimation with EV Charging Data [84.37348569981307]
  自己教師付き事前学習に基づく第一種能力推定モデルを提案する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-05T08:58:35Z)
• 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)
• AndroIDS : Android-based Intrusion Detection System using Federated Learning [0.0]
  本稿では,AndroIDSという,統合学習に基づく侵入検知フレームワークを提案する。 システムコールトレースをパーソナライズされたプライバシ保護データソースとして使用する。 精度は96.46 %、92.87 %、F1 スコアは89 %、86 %である。
  論文  参考訳（メタデータ） (2025-06-19T17:42:02Z)
• Benchmarking Federated Machine Unlearning methods for Tabular Data [9.30408906787193]
  マシンアンラーニングにより、モデルは要求時に特定のデータを忘れることができる。 本稿では,フェデレートされた環境での機械学習手法のベンチマークに関する先駆的な研究について述べる。 機械学習、ランダムフォレスト、ロジスティック回帰モデルの両方を用いて、この機能とインスタンスレベルでのアンラーニングについて検討する。
  論文  参考訳（メタデータ） (2025-04-01T15:53:36Z)
• Client Contribution Normalization for Enhanced Federated Learning [4.726250115737579]
  スマートフォンやラップトップを含むモバイルデバイスは、分散化された異種データを生成する。 フェデレートラーニング(FL)は、データ共有のない分散デバイス間でグローバルモデルの協調トレーニングを可能にすることで、有望な代替手段を提供する。 本稿では、FLにおけるデータ依存的不均一性に着目し、局所的に訓練されたモデルから抽出された平均潜在表現を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-10T04:03:09Z)
• Federated Knowledge Recycling: Privacy-Preserving Synthetic Data Sharing [5.0243930429558885]
  フェデレーション・ナレッジ・リサイクリング(FedKR)は、組織間のコラボレーションを促進するために、局所的に生成された合成データを利用するクロスサイロ・フェデレーション・ラーニング・アプローチである。 FedKRは、高度なデータ生成技術と動的な集約プロセスを組み合わせることで、既存の方法よりも高いセキュリティを提供する。
  論文  参考訳（メタデータ） (2024-07-30T13:56:26Z)
• An advanced data fabric architecture leveraging homomorphic encryption and federated learning [10.779491433438144]
  本稿では,分散データファブリックアーキテクチャにおけるフェデレーション学習と部分同型暗号を用いた医用画像解析のためのセキュアなアプローチを提案する。 本研究は下垂体腫瘍分類のケーススタディを通じて, 本手法の有効性を実証し, 高い精度を達成した。
  論文  参考訳（メタデータ） (2024-02-15T08:50:36Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)

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。