抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
クラウド製造の急速な発展により,コアアーキテクチャとしてのエッジコンピューティングによる工業生産が大いに開発されている。しかし,エッジデバイスはしばしば工業生産における異常と故障に悩まされる。したがって,これらの異常状況をタイムリーかつ正確に検出することは,クラウド製造にとって極めて重要である。このように,直接解は,エッジ装置が異常検出のためにクラウドにデータをアップロードするということである。しかし,産業4.0は,データプライバシーとセキュリティのためのより高い要求を提唱して,そこで,それは直接クラウドにエッジ装置からのアップロードデータに非現実的である。上述の厳しい課題を考慮して,本論文は,クラウド製造における異常検出問題を取り扱うために,弱い監督されたエッジコンピューティング異常検出フレームワーク,すなわち,Fedated Learningベースの変換機フレームワーク(FedAnomaly)をカスタマイズした。特に,著者らは,プライバシーを損なうことなく,クラウドとの協調で異常検出モデルを訓練するエッジデバイスを可能にする連合学習(FL)フレームワークを導入した。フレームワークのプライバシー性能を高めるために,アップロードされた特徴に差動プライバシー雑音を加えた。異常特徴を抽出するためのエッジデバイスの能力をさらに改善するために,著者らは変換器を用いて異常データの特徴表現を抽出した。この文脈において,FLと変圧器間の効率的な協調を促進するために,新しい協調学習プロトコルを設計した。さらに,4つのベンチマークデータセットに関する広範な事例研究により,提案フレームワークの有効性を検証した。著者らの知る限り,これは,クラウド製造における異常検出問題を取り扱うために,FLと変換器を統合する初めてである。【JST・京大機械翻訳】