Federated Learning on Edge Sensing Devices: A Review

要約

周囲の特性を監視し、それらと対話し、周囲に関する情報を導き出す機能は、IoT、モバイル、ウェアラブル デバイスなどのエッジ センシング デバイスと、統合センサーを使用したそれらの測定機能の急速な普及によって可能になりました。
これらのデバイスは小さく、データの保存と処理の容量が少ないにもかかわらず、膨大な量のデータを生成します。
センサー データが収集および処理されるアプリケーション分野の例には、ヘルスケア、環境 (大気質および汚染レベルを含む)、自動車、産業、航空宇宙、および農業アプリケーションが含まれます。
エッジデバイスから収集されたこれらの膨大なセンシングデータは、さまざまな機械学習 (ML) および深層学習 (DL) アプローチを使用して分析されます。
ただし、クラウドまたはサーバー上で分析すると、プライバシー、ハードウェア、接続の制限に関連する課題が生じます。
Federated Learning (FL) は、生データを共有せずにモデルを共同トレーニングすることでプライバシーを保護しながら、これらの問題の解決策として登場しています。
この論文では、従来の機械学習技術の限界を克服するために、エッジ センシング デバイスの観点から FL 戦略をレビューします。
私たちは、主要な FL 原則、ソフトウェア フレームワーク、およびテストベッドに焦点を当てています。
また、現在のセンサー技術、センシングデバイスの特性、FL が利用されるセンシングアプリケーションについても調査します。
最後に、未解決の問題とさらなる研究のための FL に関する今後の研究の方向性についての議論で終わります。

要約(オリジナル)

The ability to monitor ambient characteristics, interact with them, and derive information about the surroundings has been made possible by the rapid proliferation of edge sensing devices like IoT, mobile, and wearable devices and their measuring capabilities with integrated sensors. Even though these devices are small and have less capacity for data storage and processing, they produce vast amounts of data. Some example application areas where sensor data is collected and processed include healthcare, environmental (including air quality and pollution levels), automotive, industrial, aerospace, and agricultural applications. These enormous volumes of sensing data collected from the edge devices are analyzed using a variety of Machine Learning (ML) and Deep Learning (DL) approaches. However, analyzing them on the cloud or a server presents challenges related to privacy, hardware, and connectivity limitations. Federated Learning (FL) is emerging as a solution to these problems while preserving privacy by jointly training a model without sharing raw data. In this paper, we review the FL strategies from the perspective of edge sensing devices to get over the limitations of conventional machine learning techniques. We focus on the key FL principles, software frameworks, and testbeds. We also explore the current sensor technologies, properties of the sensing devices and sensing applications where FL is utilized. We conclude with a discussion on open issues and future research directions on FL for further studies

arxiv情報

提供元, 利用サービス

arxiv.jp, Google