論文の概要: IBM Federated Learning: an Enterprise Framework White Paper V0.1
- arxiv url: http://arxiv.org/abs/2007.10987v1
- Date: Wed, 22 Jul 2020 05:32:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 23:31:45.424332
- Title: IBM Federated Learning: an Enterprise Framework White Paper V0.1
- Title（参考訳）: IBM Federated Learning: エンタープライズフレームワークWhite Paper V0.1
- Authors: Heiko Ludwig, Nathalie Baracaldo, Gegi Thomas, Yi Zhou, Ali Anwar,
Shashank Rajamoni, Yuya Ong, Jayaram Radhakrishnan, Ashish Verma, Mathieu
Sinn, Mark Purcell, Ambrish Rawat, Tran Minh, Naoise Holohan, Supriyo
Chakraborty, Shalisha Whitherspoon, Dean Steuer, Laura Wynter, Hifaz Hassan,
Sean Laguna, Mikhail Yurochkin, Mayank Agarwal, Ebube Chuba, Annie Abay
- Abstract要約: Federated Learning(FL)は、トレーニングデータを単一の場所で集中化せずに機械学習を実行するアプローチである。
このフレームワークは、最も一般的な機械学習ライブラリに対する従来のアプローチと同様に、Deep Neural Networksにも適用される。
- 参考スコア（独自算出の注目度）: 28.21579297214125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) is an approach to conduct machine learning without
centralizing training data in a single place, for reasons of privacy,
confidentiality or data volume. However, solving federated machine learning
problems raises issues above and beyond those of centralized machine learning.
These issues include setting up communication infrastructure between parties,
coordinating the learning process, integrating party results, understanding the
characteristics of the training data sets of different participating parties,
handling data heterogeneity, and operating with the absence of a verification
data set.
IBM Federated Learning provides infrastructure and coordination for federated
learning. Data scientists can design and run federated learning jobs based on
existing, centralized machine learning models and can provide high-level
instructions on how to run the federation. The framework applies to both Deep
Neural Networks as well as ``traditional'' approaches for the most common
machine learning libraries. {\proj} enables data scientists to expand their
scope from centralized to federated machine learning, minimizing the learning
curve at the outset while also providing the flexibility to deploy to different
compute environments and design custom fusion algorithms.
- Abstract（参考訳）: Federated Learning(FL)は、プライバシ、機密性、データボリュームの理由から、トレーニングデータを単一の場所で集中化せずに機械学習を実行するアプローチである。
しかし、連合機械学習の問題解決は、中央集権的な機械学習の課題以上に問題を提起する。
これらの課題には、当事者間のコミュニケーションインフラストラクチャのセットアップ、学習プロセスのコーディネート、パーティー結果の統合、異なる参加者のトレーニングデータセットの特性の理解、データの均一性への対応、検証データセットの欠如による運用などが含まれる。
IBM Federated Learningは、フェデレートラーニングのためのインフラストラクチャと調整を提供する。
データサイエンティストは、既存の集中型機械学習モデルに基づいてフェデレーション学習ジョブを設計および実行することができ、フェデレーションの実行方法に関する高レベルな指示を提供することができる。
このフレームワークは、最も一般的な機械学習ライブラリに対して、ディープニューラルネットワークと `` traditional''' アプローチの両方に適用される。
proj}は、データサイエンティストが集中型からフェデレーション型の機械学習までの範囲を拡大し、最初の段階での学習曲線を最小化し、異なる計算環境にデプロイし、独自の融合アルゴリズムを設計する柔軟性を提供する。
関連論文リスト
- FedSR: A Semi-Decentralized Federated Learning Algorithm for Non-IIDness in IoT System [2.040586739710704]
IoT(Industrial Internet of Things)では、大量のデータが毎日生成される。
プライバシーとセキュリティの問題により、これらのデータをまとめてディープラーニングモデルをトレーニングすることは困難である。
本稿では,集中型フェデレーション学習と分散型フェデレーション学習を組み合わせて,半分散型クラウドエッジデバイス階層型フェデレーション学習フレームワークを設計する。
論文 参考訳（メタデータ） (2024-03-19T09:34:01Z) - Coordination-free Decentralised Federated Learning on Complex Networks:
Overcoming Heterogeneity [2.6849848612544]
Federated Learning(FL)は、エッジコンピューティングシナリオで学習タスクを実行するためのフレームワークである。
本稿では,コミュニケーション効率のよい分散フェデレート学習(DFL)アルゴリズムを提案する。
我々のソリューションは、デバイスが直接隣人とのみ通信し、正確なモデルを訓練することを可能にする。
論文 参考訳（メタデータ） (2023-12-07T18:24:19Z) - Towards Privacy-Aware Causal Structure Learning in Federated Setting [27.5652887311069]
フェデレートされた環境におけるプライバシーに配慮した因果構造学習問題について検討する。
データを集中化せずにデータのプライバシを保存するための2つの新しい戦略を持つ新しいフェデレーションPC(FedPC)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-13T14:54:42Z) - Privacy-Preserving Machine Learning for Collaborative Data Sharing via
Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。
本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T17:36:58Z) - 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) - FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for
Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。
本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。
これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文 参考訳（メタデータ） (2022-05-19T03:32:03Z) - Efficient Fully Distributed Federated Learning with Adaptive Local Links [1.8416014644193066]
中央サーバを必要としない完全分散拡散型学習アルゴリズムを提案する。
MNISTデータセットに分類タスクを適用することにより,提案アルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2022-03-23T09:03:54Z) - DQRE-SCnet: A novel hybrid approach for selecting users in Federated
Learning with Deep-Q-Reinforcement Learning based on Spectral Clustering [1.174402845822043]
実世界の機密データに基づく機械学習モデルは、医療スクリーニングから病気の発生、農業、産業、防衛科学など幅広い分野で進歩している。
多くのアプリケーションにおいて、学習参加者のコミュニケーションラウンドは、独自のプライベートデータセットを収集し、実際のデータに対して詳細な機械学習モデルを教え、これらのモデルを使用することの利点を共有することの恩恵を受ける。
既存のプライバシとセキュリティ上の懸念から、ほとんどの人はトレーニング用の機密データ共有を回避している。各ユーザがローカルデータを中央サーバにデモしない限り、フェデレートラーニングは、さまざまなパーティが共用データ上で機械学習アルゴリズムをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2021-11-07T15:14:29Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳（メタデータ） (2020-11-25T01:29:41Z)
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。