ML Mule: Mobile-Driven Context-Aware Collaborative Learning

要約

人工知能は日常生活のほぼすべての側面に統合されており、コンピューター ビジョンによる物体検出から、電子メールを作成するための大規模な言語モデルやスマート ホームのコンパクト モデルに至るまで、アプリケーションを強化しています。
これらの機械学習モデルは個々のユーザーに対応しますが、通常は集中化されたデータセンターに保存および処理されるため、ユーザーから切り離されることがよくあります。
この一元的なアプローチでは、プライバシーの懸念が生じ、インフラストラクチャのコストが高くつき、パーソナライゼーションに苦労します。
これらの問題に対処するために、連合および完全に分散された学習方法が提案されていますが、依然として集中サーバーに依存しているか、通信の制約による収束の遅さに直面しています。
これらの課題を克服するために、私たちは ML Mule を提案します。これは、個々のモバイル デバイスを「ミュール」として利用し、物理空間を移動するときにモデルのスナップショットをトレーニングおよび転送し、これらのモデルをそれらが存在する物理「空間」と共有するアプローチです。
この方法では、特定の空間を共有するユーザーに関連付けられたデバイス間でアフィニティ グループが暗黙的に形成され、協調的なモデルの進化が可能になり、ユーザーのプライバシーが保護されます。
私たちのアプローチは、従来の連合型の完全分散型学習システムのいくつかの大きな欠点に対処します。
提案されたフレームワークは、より堅牢で分散型、パーソナライズされた新しいクラスの機械学習手法を表しており、この分野はインテリジェントで適応性があり、真にコンテキストを認識するスマート環境という当初のビジョンの実現に近づきます。
結果は、ML Mule が他の既存の手法と比較してより高速に収束し、より高いモデル精度を達成できることを示しています。

要約(オリジナル)

Artificial intelligence has been integrated into nearly every aspect of daily life, powering applications from object detection with computer vision to large language models for writing emails and compact models in smart homes. These machine learning models cater to individual users but are often detached from them, as they are typically stored and processed in centralized data centers. This centralized approach raises privacy concerns, incurs high infrastructure costs, and struggles with personalization. Federated and fully decentralized learning methods have been proposed to address these issues, but they still depend on centralized servers or face slow convergence due to communication constraints. To overcome these challenges, we propose ML Mule, a approach that utilizes individual mobile devices as ‘Mules’ to train and transport model snapshots as they move through physical spaces, sharing these models with the physical ‘Spaces’ they inhabit. This method implicitly forms affinity groups among devices associated with users who share particular spaces, enabling collaborative model evolution, and protecting users’ privacy. Our approach addresses several major shortcomings of traditional, federated, and fully decentralized learning systems. The proposed framework represents a new class of machine learning methods that are more robust, distributed, and personalized, bringing the field closer to realizing the original vision of intelligent, adaptive, and genuinely context-aware smart environments. The results show that ML Mule converges faster and achieves higher model accuracy compared to other existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google