SwePub
Sök i LIBRIS databas

  Utökad sökning

id:"swepub:oai:DiVA.org:kth-331213"
 

Sökning: id:"swepub:oai:DiVA.org:kth-331213" > Energy-Efficient Pr...

  • Arsalan, MuhammadTech Univ Carolo Wilhelmina Braunschweig, Braunschweig, Germany. (författare)

Energy-Efficient Privacy-Preserving Time-Series Forecasting on User Health Data Streams

  • Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

  • Institute of Electrical and Electronics Engineers (IEEE),2022
  • printrdacarrier

Nummerbeteckningar

  • LIBRIS-ID:oai:DiVA.org:kth-331213
  • https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-331213URI
  • https://doi.org/10.1109/TrustCom56396.2022.00080DOI

Kompletterande språkuppgifter

  • Språk:engelska
  • Sammanfattning på:engelska

Ingår i deldatabas

Klassifikation

  • Ämneskategori:ref swepub-contenttype
  • Ämneskategori:kon swepub-publicationtype

Anmärkningar

  • QC 20230706
  • Health monitoring devices are gaining popularity both as wellness tools and as a source of information for healthcare decisions. In this work, we use Spiking Neural Networks (SNNs) for time-series forecasting due to their proven energy-saving capabilities. Thanks to their design that closely mimics the natural nervous system, SNNs are energy-efficient in contrast to classic Artificial Neural Networks (ANNs). We design and implement an energy-efficient privacy-preserving forecasting system on real-world health data streams using SNNs and compare it to a state-of-the-art system with Long short-term memory (LSTM) based prediction model. Our evaluation shows that SNNs tradeoff accuracy (2.2x greater error), to grant a smaller model (19% fewer parameters and 77% less memory consumption) and a 43% less training time. Our model is estimated to consume 3.36 mu J energy, which is significantly less than the traditional ANNs. Finally, we apply epsilon-differential privacy for enhanced privacy guarantees on our federated learning-based models. With differential privacy of epsilon = 0.1, our experiments report an increase in the measured average error (RMSE) of only 25%.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

  • Di Matteo, DavideKTH(Swepub:kth)u168b8r6 (författare)
  • Imtiaz, SanaKTH,Programvaruteknik och datorsystem, SCS,KRY Int AB, Stockholm, Sweden.(Swepub:kth)u1fqkcg4 (författare)
  • Abbas, ZainabKTH,Programvaruteknik och datorsystem, SCS,KRY Int AB, Stockholm, Sweden.(Swepub:kth)u1pk16vj (författare)
  • Vlassov, Vladimir,1957-KTH,Programvaruteknik och datorsystem, SCS(Swepub:kth)u19yb2c8 (författare)
  • Issakov, VadimTech Univ Carolo Wilhelmina Braunschweig, Braunschweig, Germany. (författare)
  • KTHTech Univ Carolo Wilhelmina Braunschweig, Braunschweig, Germany. (creator_code:org_t)

Sammanhörande titlar

  • Ingår i:Proceedings - 2022 IEEE 21st International Conference on Trust, Security and Privacy in Computing and Communications, TrustCom 2022: Institute of Electrical and Electronics Engineers (IEEE), s. 541-546

Internetlänk

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...
Arsalan, Muhamma ...
Di Matteo, David ...
Imtiaz, Sana
Abbas, Zainab
Vlassov, Vladimi ...
Issakov, Vadim
Om ämnet
TEKNIK OCH TEKNOLOGIER
TEKNIK OCH TEKNO ...
och Elektroteknik oc ...
och Datorsystem
Artiklar i publikationen
Av lärosätet
Kungliga Tekniska Högskolan

Sök utanför SwePub

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy