Prototype of deployment of Federated Learning with IoT devices

要約

テクノロジーの時代において、データはますます重要なリソースとなっています。
この重要性は人工知能 (AI) の分野で高まっており、機械学習 (ML) などのサブ分野では、より良い結果を達成するためにますます多くのデータが必要になります。
モノのインターネット (IoT) は、センサーとスマート オブジェクトを接続してデータを収集および交換するだけでなく、他の多くのタスクを実行します。
大量の必要なリソースであるデータは、モバイル デバイス、センサー、その他のモノのインターネット (IoT) デバイスに保存されていますが、データ保護の制限によりそこに残されたままになります。
同時に、これらのデバイスには、適切なモデルをトレーニングするのに十分なデータや計算能力がありません。
さらに、このすべてのデータを集中サーバー上で送信、保存、処理することには問題があります。
Federated Learning (FL) は、デバイスが共同で学習できる革新的なソリューションを提供します。
さらに重要なのは、データ保護法に違反することなくこれを達成できることです。
FL は現在成長しており、それを実装するソリューションがいくつかあります。
この記事では、使用される IoT デバイスがラズベリー パイ ボードである FL ソリューションのプロトタイプを紹介します。
結果は、このタイプのソリューションのパフォーマンスを従来のアプローチで得られたパフォーマンスと比較しています。
さらに、FL ソリューションのパフォーマンスは過酷な環境でテストされました。
畳み込みニューラル ネットワーク (CNN) と画像データ セットが使用されました。
結果は、これらの技術の実現可能性と有用性を示していますが、多くの場合、従来のアプローチのパフォーマンスには達しません。

要約(オリジナル)

In the age of technology, data is an increasingly important resource. This importance is growing in the field of Artificial Intelligence (AI), where sub fields such as Machine Learning (ML) need more and more data to achieve better results. Internet of Things (IoT) is the connection of sensors and smart objects to collect and exchange data, in addition to achieving many other tasks. A huge amount of the resource desired, data, is stored in mobile devices, sensors and other Internet of Things (IoT) devices, but remains there due to data protection restrictions. At the same time these devices do not have enough data or computational capacity to train good models. Moreover, transmitting, storing and processing all this data on a centralised server is problematic. Federated Learning (FL) provides an innovative solution that allows devices to learn in a collaborative way. More importantly, it accomplishes this without violating data protection laws. FL is currently growing, and there are several solutions that implement it. This article presents a prototype of a FL solution where the IoT devices used were raspberry pi boards. The results compare the performance of a solution of this type with those obtained in traditional approaches. In addition, the FL solution performance was tested in a hostile environment. A convolutional neural network (CNN) and a image data set were used. The results show the feasibility and usability of these techniques, although in many cases they do not reach the performance of traditional approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google