文献

J-GLOBAL ID：202202286909085481   整理番号：22A1038942

AFLPC:5G-V2Xに適用した非同期連合学習プライバシー保護計算モデル【JST・京大機械翻訳】

AFLPC: An Asynchronous Federated Learning Privacy-Preserving Computing Model Applied to 5G-V2X

著者 (7件)： Huang Jie (Beijing Information Technology College, Beijing 100015, China) ,  Xu Cheng (Beijing Key Laboratory of Information Service Engineering, Beijing Union University, Beijing 100101, China) ,  Ji Zhaohua (Beijing Information Technology College, Beijing 100015, China) ,  Xiao Shan (Beijing Information Technology College, Beijing 100015, China) ,  Liu Teng (Beijing Key Laboratory of Information Service Engineering, Beijing Union University, Beijing 100101, China) ,  Ma Nan (Beijing University of Technology, Beijing 100124, China) ,  Zhou Qinghui (Beijing University of Civil Engineering and Architecture, Beijing 100044, China)
資料名： Security and Communication Networks  (Security and Communication Networks)
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： W2740A  ISSN： 1939-0114  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 反復学習は,5G-V2X環境における局所データプライバシーを効果的に保護し,車両環境のインターネットにおけるデータ保護を確実にする。5Gネットワークの低い遅延の優位性は,車両-道路協同システムにおいてよりよく利用されるべきである。しかし,既存の非同期連合学習は,異なるノード訓練を通して局所モデルを得て,中央サーバを通してグローバルモデルの更新を完了する。単一点故障,プライバシー漏洩,および凝集パラメータの偏差のような問題がある。上記の問題に応じて,5G-V2X指向非同期連合学習プライバシー保護計算モデル(AFLPC)を提案した。データプライバシーを保護する間,ノイズを減らすために適応微分プライバシー機構を使用した。重みベースの非同期連合学習集約更新方式を,集合パラメータにおける異なる訓練速度を有する利用者によって提出されたパラメータの割合を合理的に制御するために提案して,遅れた利用者の集約パラメータを能動的に更新して,このように,異なる速度の発見によって引き起こすモデルに及ぼす否定的影響を効果的に減らした。実験は,提案方法が,5G-V2Xシナリオにおける非同期連合学習の信頼性とプライバシーを効果的に保証することができ,同時に,モデルの有用性を改善することを示した。Copyright 2022 Jie Huang et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 凝集 ,  雑音 ,  故障 ,  システム ,  信頼性 ,  ネットワーク ,  道路 ,  *保護 ,  微分 ,  プライバシー ,  データ保護 ,  *計算モデル ,  インターネット
準シソーラス用語： *プライバシー保護 ,  データプライバシー ,  *第5世代移動通信システム , 【Automatic Indexing@JST】

分類 (1件)： データ保護  (JD01020V)

引用文献 (32件)：

• C. Xu, H. Wu, Y. Zhang, S. Dai, H. Liu, J. Tian, "A real-time complex road AI perception based on 5G-V2X for smart city security," Wireless Communications and Mobile Computing, vol. 2022, pp. 1-11, 2022.
• T. Li, A. K. Sahu, A. Talwalkar, V. Smith, "Federated learning: challenges, methods, and future directions," IEEE Signal Processing Magazine, vol. 37, no. 3, pp. 50-60, 2020.
• W. Y. B. Lim, N. C. Luong, D. T. Hoang, Y. Jiao, Y.-C. Liang, Q. Yang, D. Niyato, C. Miao, "Federated learning in mobile edge networks: a comprehensive survey," IEEE Communications Surveys & Tutorials, vol. 22, no. 3, pp. 2031-2063, 2020.
• C. Xu, K. Chen, M. Zuo, H. Liu, Y. Wu, "Urban fruit quality traceability model based on smart contract for Internet of things," Wireless Communications and Mobile Computing, vol. 2021, 2021.
• C. Xu, H. Liu, Z. Pan, W. Li, Z. Ye, "A group authentication and privacy-preserving level for vehicular networks based on fuzzy system," Journal of Intelligent and Fuzzy Systems, vol. 39, no. 2, pp. 1547-1562, 2020.

タイトルに関連する用語 (6件)： 5G ,  V2X ,  非同期 ,  学習 ,  プライバシー ,  計算モデル