文献

J-GLOBAL ID：201702211405093461   整理番号：17A1566458

スマート環境のための通信効率的な分散型学習フレームワーク【Powered by NICT】

A communication efficient distributed learning framework for smart environments

著者 (3件)： Valerio Lorenzo (Insitute of Informatics and Telematics, National Research Council, Via Moruzzi 1, Pisa, Italy) ,  Passarella Andrea (Insitute of Informatics and Telematics, National Research Council, Via Moruzzi 1, Pisa, Italy) ,  Conti Marco (Insitute of Informatics and Telematics, National Research Council, Via Moruzzi 1, Pisa, Italy)
資料名： Pervasive and Mobile Computing  (Pervasive and Mobile Computing)
巻： 41  ページ： 46-68  発行年： 2017年 
JST資料番号： W3475A  ISSN： 1574-1192  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： パーソナル移動とIoTデバイスの広範な拡散のために,多くの「スマート環境」(例えば,スマートシティ及びスマート工場)は,とりわけ,大量データの発生器である。これらの環境における付加価値サービスを提供するために,データは,知識を抽出しなければならない。現在,これは典型的に集中型クラウドベースデータ分析サービスを介して達成された。しかし,多くの研究によれば,この方法は,データ所有者の観点から重要な問題を示す可能性があり,無線ネットワーク容量。これらの欠点に対処する一つの可能性は,データが発生するに近いデータ分析を移動することである。本論文では,分散学習フレームワーク,データ分析は,データが発生するに非常に近い位置に,すなわち,ネットワークのエッジで行ったを提案し分析することにより,この問題に取り組んでいる。特に,提案フレームワークでは,部分的データ分析は,データを生成するノード上に直接,あるいは(例えば,データ発生器のいくつかは近くの他のノードのサブセットのためにこの役割を取ることができる)により近いノード上で行った。,ノードは部分モデルを交換し,それに応じてそれらを改良した。筆者らのフレームワークは異なる分析サービスを十分に一般的である。論文で解析された特定の事例では,学習課題に焦点を当て,二つの分散学習アルゴリズムを考慮した。行動認識およびパターン認識タスクを用いて,参照データセットの両方は,互いの間と中央雲溶液(すなわち,完全なデータセットへのアクセスを持つもの)と二つの学習アルゴリズムを比較した。著者らの結果は,分散機械学習技術を用いて,ネットワークオーバヘッドを大幅に減らすことができ,学習精度の点で雲溶液に匹敵する性能を得ることを示した。各分散学習アプローチが望ましい場合解析も示し,ノードにデータの特異的分布に基づいている。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *学習 ,  付加価値 ,  学習アルゴリズム ,  データ解析 ,  ネットワーク ,  部分集合 ,  パターン認識
準シソーラス用語： 機械学習技術 ,  行動認識 ,  分散学習 ,  無線ネットワーク ,  スマートシティ ,  モノのインターネット ,  *通信効率 ,  *スマート環境 , 【Automatic Indexing@JST】

著者キーワード (5件)： Iot ,  ビッグデータ ,  スマート都市 ,  分散学習 ,  通信効率

分類 (3件)： その他の情報処理  (JE15050M) ,  計算機網  (JC03000K) ,  電話・データ通信・交換一般  (ND11010T)

タイトルに関連する用語 (4件)： スマート環境 ,  通信効率 ,  学習 ,  フレームワーク