論文の概要: FLFL: Federated Latent Factor Learning for Private Recovery of Spatio-Temporal Signals

• arxiv url: http://arxiv.org/abs/2606.23091v1
• Date: Mon, 22 Jun 2026 09:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:17:38.991048
• Title: FLFL: Federated Latent Factor Learning for Private Recovery of Spatio-Temporal Signals
• Title（参考訳）: FLFL:時空間信号のプライベートリカバリのためのフェデレーション潜在因子学習
• Authors: Chengjun Yu, Di Wu, Yi He, Jia Chen,
• Abstract要約: 無線センサネットワーク(WSN)はインテリジェントセンシングにおいて有望な領域である。 潜在因子学習(LFL)は、WSNの欠落したデータを回復するのに非常に有効であることが証明されている。 既存のLFLモデルでは、収集した信号は中央サーバーのように1つの中央に保持する必要がある。 本稿では,プライバシ保存時信号回復のためのフェデレート潜在因子(FL)モデルを革新的に提案する。
• 参考スコア（独自算出の注目度）: 11.853445583795136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless sensor network (WSNs) stands out as a burgeoning and promising domain in intelligent sensing. Owing to various factors such as sudden sensor malfunctions or deliberate shutdown of partial nodes to save energy, the collected sensing signals from WSNs commonly have massive missing data, leading to adverse effects on subsequent analysis or decision-making. Latent factor learning (LFL) has proven to be highly effective in recovering the missing data for WSNs. However, the existing LFL models require the collected sensing signals to be maintained in one central place like a central server, which is becoming unacceptable for data owners who are getting increasingly privacy-sensitive. To address this issue, this paper innovatively proposes a federated latent factor learning (FLFL) model for privacy-preserving spatio-temporal signal recovery. Its main idea is two-fold: 1) it designs a sensor-level federated learning framework based on LFL, where each sensor only needs to upload gradient information rather than raw data for training a privacy-preserving recovery model, and 2) it incorporates the spatio-temporal correlation into the designed federated learning framework as the regularization constraint to improve its recovery accuracy. With such designs, FLFL can not only accurately recover the missing data of WSNs but also ensure data owners' privacy-preserving of raw data. To evaluate the proposed FLFL model, extensive experiments have been conducted on four real-world WSN datasets. The results demonstrate that FLFL significantly outperforms eight state-of-the-art federated and non-federated signal recovery models in terms of recovery accuracy with privacy-preserving.
• Abstract（参考訳）: 無線センサネットワーク(WSNs)は、インテリジェントセンシングにおいて、華々しく有望な領域として際立っている。 突然のセンサの故障や、エネルギー節約のための部分ノードの故意の停止など、様々な要因により、WSNからの収集されたセンシング信号は、一般的に大量の欠落データを持ち、その後の分析や意思決定に悪影響を及ぼす。 潜在因子学習(LFL)は、WSNの欠落したデータを回復するのに非常に有効であることが証明されている。 しかし、既存のLFLモデルでは、収集されたセンシング信号を中央サーバーのように一箇所で維持する必要がある。 この問題に対処するため,本稿では,プライバシ保存時空間信号回復のためのFLFLモデルを革新的に提案する。 主な考え方は2つある。 1)LFLに基づくセンサレベルのフェデレーション学習フレームワークを設計し,プライバシ保護回復モデルをトレーニングするためには,各センサが生データではなく勾配情報をアップロードするだけでよいようにした。 2) 正規化制約として, 時空間相関を設計したフェデレーション学習フレームワークに組み込んで, 回復精度を向上させる。 このような設計により、FLFLはWSNの欠落したデータを正確に復元するだけでなく、データ所有者の生データのプライバシー保護も確保できる。 提案するFLFLモデルを評価するために,実世界の4つのWSNデータセットに対して広範な実験を行った。 その結果、FLFLは、プライバシ保存によるリカバリ精度の観点から、最先端のフェデレーションと非フェデレーションの信号回復モデル8つを著しく上回っていることがわかった。

関連論文リスト

• Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
  Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。 本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。 シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
  論文  参考訳（メタデータ） (2026-03-11T13:41:02Z)
• Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving [8.06377330950344]
  無線センサネットワーク(英: Wireless Sensor Networks、WSN)は、インテリジェントセンシング分野における最先端のドメインである。 センサの故障と省エネ戦略のため、収集されたデータには大量のデータがないことが多く、その後の分析や意思決定を妨げている。 本稿では,FLFL-SSRという,FLFLに基づく空間信号回復モデルを提案する。 1) センサレベルのフェデレーション学習フレームワークを設計し,各センサが生データではなく更新のみをアップロードしてグローバルモデルを最適化し,2) 局所的な空間共有戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-22T02:01:19Z)
• 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)
• FedBiP: Heterogeneous One-Shot Federated Learning with Personalized Latent Diffusion Models [36.54964329075797]
  特別な分散機械学習パラダイムであるOne-Shot Federated Learning (OSFL)が最近注目を集めている。 現在の手法では,リアルタイムOSFLシステムに適用する場合,クライアントデータの不均一性やデータ量制限による課題に直面している。 本稿では,事前学習したLCMをインスタンスレベルと概念レベルでパーソナライズするFederated Bi-Level Personalization (FedBiP)を提案する。
  論文  参考訳（メタデータ） (2024-10-07T07:45:18Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。 本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Federated Learning with Reduced Information Leakage and Computation [17.069452700698047]
  フェデレートラーニング(Federated Learning, FL)は、分散学習パラダイムであり、複数の分散クライアントが、ローカルデータを共有せずに共通のモデルを共同で学習することを可能にする。 本稿では,モデル更新毎に一階近似を適用する手法であるUpcycled-FLを紹介する。 この戦略の下では、FL更新の半分は情報漏洩を伴わず、計算と送信のコストを大幅に削減する。
  論文  参考訳（メタデータ） (2023-10-10T06:22:06Z)
• Feature Matching Data Synthesis for Non-IID Federated Learning [7.740333805796447]
  フェデレーション学習(FL)は、中央サーバでデータを収集することなく、エッジデバイス上でニューラルネットワークをトレーニングする。 本稿では,局所モデル以外の補助データを共有するハード特徴マッチングデータ合成(HFMDS)手法を提案する。 プライバシーの保存性を向上するため,本研究では,実際の特徴を決定境界に向けて伝達する機能拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T07:49:39Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)

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。