文献

J-GLOBAL ID：202002279215611398   整理番号：20A2638235

連合学習による人間モビリティの予測【JST・京大機械翻訳】

Predicting Human Mobility with Federated Learning

著者 (5件)： Li Anliang (Northeastern University, Shenyang, P.R.China) ,  Wang Shuang (Northeastern University, Shenyang, P.R.China) ,  Li Wenzhu (Northeastern University, Shenyang, P.R.China) ,  Liu Shengnan (Northeastern University, Shenyang, P.R.China) ,  Zhang Siyuan (Northeastern University, Shenyang, P.R.China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGSPATIAL ’20  ページ： 441-444  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年,位置予測は重要な作業となり,大きな注目を集めている。既存の位置予測方法は,ユーザ行動のプライバシーに敏感な性質によるプライバシーの懸念とリスクにつながるかもしれない,モデル訓練のためのユーザ移動性データの集中ストレージに依存する。本研究では,正確な移動性予測モデルを訓練し,一方,それらの集中ストレージの必要性を取り除くために,大規模ユーザの行動における有用な情報を活用できる,連合学習に基づく移動性予測モデル訓練のためのプライバシー保護法を提案した。第1に,著者らは,局所とグローバルモデルの混合物であるAMF(適応モデル融合連合学習)と呼ばれる,位置予測と新しい個人化連合学習モデルのために,空間時間情報を自己注意して統合できる,各ユーザ装置上のSTSAN(Spaital-Temporal 自己-Attention Network)と呼ぶ新しいネットワークを提案する。最後に,結果は,4つの実世界チェックインデータセットに関する様々な基準線より優れ,この方法の有効性を検証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *移動度 ,  学習モデル ,  ネットワーク ,  プライバシー ,  基準線 ,  有効性 ,  予測モデル
準シソーラス用語： 連合学習 ,  プライバシー保護 ,  移動性 ,  ユーザ行動 ,  位置予測 ,  ストレージ装置 , 【Automatic Indexing@JST】

著者キーワード (3件)： 連合学習 ,  位置予測 ,  自己注意

分類 (3件)： 移動通信  (ND08030H) ,  計算機網  (JC03000K) ,  データ保護  (JD01020V)

タイトルに関連する用語 (4件)： 学習 ,  人間 ,  モビリティ ,  予測