論文の概要: Industrial Federated Learning -- Requirements and System Design
- arxiv url: http://arxiv.org/abs/2005.06850v1
- Date: Thu, 14 May 2020 10:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 04:37:46.996469
- Title: Industrial Federated Learning -- Requirements and System Design
- Title（参考訳）: 産業連携型学習 : 要件とシステム設計
- Authors: Thomas Hiessl, Daniel Schall, Jana Kemnitz, Stefan Schulte
- Abstract要約: Federated Learning(FL)は、分散機械学習(ML)モデルを改善するための有望なアプローチである。
本稿では,情報交換を支援する産業連携学習(Industrial Federated Learning, IFL)システムを提案する。
これにより、共通のML問題におけるビジネスパートナの最適なコラボレーションが可能になり、負の知識伝達が防止され、リソース最適化が保証される。
- 参考スコア（独自算出の注目度）: 0.4806505912512235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) is a very promising approach for improving
decentralized Machine Learning (ML) models by exchanging knowledge between
participating clients without revealing private data. Nevertheless, FL is still
not tailored to the industrial context as strong data similarity is assumed for
all FL tasks. This is rarely the case in industrial machine data with
variations in machine type, operational- and environmental conditions.
Therefore, we introduce an Industrial Federated Learning (IFL) system
supporting knowledge exchange in continuously evaluated and updated FL cohorts
of learning tasks with sufficient data similarity. This enables optimal
collaboration of business partners in common ML problems, prevents negative
knowledge transfer, and ensures resource optimization of involved edge devices.
- Abstract（参考訳）: Federated Learning(FL)は、プライベートデータを公開することなく、参加するクライアント間で知識を交換することで、分散機械学習(ML)モデルを改善するための非常に有望なアプローチである。
しかしながら、FLはすべてのFLタスクに対して強いデータ類似性が仮定されるため、産業的な文脈にはまだ適していない。
これは、機械の種類、運用条件、環境条件の異なる産業機械データではまれである。
そこで本研究では,知識交換を支援する産業連携学習(IFL)システムを導入し,学習課題のFLコホートを十分なデータ類似性で継続的に評価し,更新した。
これにより、共通のML問題におけるビジネスパートナの最適なコラボレーションが可能になり、負の知識伝達が防止され、関連するエッジデバイスのリソース最適化が保証される。
関連論文リスト
- Federated Learning in Chemical Engineering: A Tutorial on a Framework for Privacy-Preserving Collaboration Across Distributed Data Sources [0.0]
この研究は、化学工学のコミュニティに、この分野へのアクセシビリティな導入を提供することを目的としている。
製造最適化、マルチモーダルデータ統合、薬物発見といったタスクにおけるフェデレートラーニングの適用について検討する。
チュートリアルは、$textttFlower$や$texttTensorFlow Federated$といった主要なフレームワークを使用して構築され、FLを採用するための適切なツールを化学技術者に提供するように設計されている。
論文 参考訳（メタデータ） (2024-11-23T13:16:06Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Lightweight Industrial Cohorted Federated Learning for Heterogeneous Assets [0.0]
フェデレーテッド・ラーニング(FL)は、分散機械学習(ML)モデルをトレーニングするための最も広く採用されているコラボレーティブ・ラーニング・アプローチである。
しかし、すべてのFLタスクにおいて、大きなデータ類似性や均質性は認められているため、FLは産業環境では特に設計されていない。
本稿では,コホーティングにモデルパラメータを用いる軽量産業用コホーテッドFL (licFL) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-25T12:48:56Z) - Enhancing Data Provenance and Model Transparency in Federated Learning
Systems -- A Database Approach [1.2180726230978978]
Federated Learning (FL)は、分散型エッジデバイス間で機械学習モデルをトレーニングするための有望なパラダイムを提供する。
これらの分散環境におけるデータの完全性とトレーサビリティの確保は、依然として重要な課題である。
FLシステムにおけるデータプロファイランスとモデルの透明性を高めるための最初のアプローチの1つを提案する。
論文 参考訳（メタデータ） (2024-03-03T09:08:41Z) - Training Heterogeneous Client Models using Knowledge Distillation in
Serverless Federated Learning [0.5510212613486574]
Federated Learning(FL)は、分散クライアント間で共有グローバルモデルの協調トレーニングを可能にする、新興の機械学習パラダイムである。
効率的なFLのためのシステム設計に関する最近の研究は、サーバーレスコンピューティング技術を利用することで、リソース効率が向上し、トレーニングコストが削減され、データホルダの複雑なインフラストラクチャ管理負担が軽減されることを示した。
論文 参考訳（メタデータ） (2024-02-11T20:15:52Z) - A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。
Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。
FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
論文 参考訳（メタデータ） (2024-01-09T10:22:23Z) - Federated Learning for Predictive Maintenance and Quality Inspection in
Industrial Applications [0.36855408155998204]
フェデレーション・ラーニング(FL)は、複数の参加者がデータのプライバシと機密性を損なうことなく、機械学習モデルを開発することを可能にする。
FLアグリゲーション法の性能評価を行い,それらを中央および局所的な訓練手法と比較した。
実世界の品質検査環境から新しいフェデレーション学習データセットを導入する。
論文 参考訳（メタデータ） (2023-04-21T16:11:09Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-20T10:49:22Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳（メタデータ） (2020-09-14T04:37:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。