論文の概要: Federated Edge Learning : Design Issues and Challenges
- arxiv url: http://arxiv.org/abs/2009.00081v2
- Date: Thu, 27 Jan 2022 04:15:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 07:29:12.756258
- Title: Federated Edge Learning : Design Issues and Challenges
- Title（参考訳）: フェデレートエッジラーニング : 設計問題と課題
- Authors: Afaf Ta\"ik and Soumaya Cherkaoui
- Abstract要約: Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。
FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。
本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.916348196696894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) is a distributed machine learning technique, where
each device contributes to the learning model by independently computing the
gradient based on its local training data. It has recently become a hot
research topic, as it promises several benefits related to data privacy and
scalability. However, implementing FL at the network edge is challenging due to
system and data heterogeneity and resources constraints. In this article, we
examine the existing challenges and trade-offs in Federated Edge Learning
(FEEL). The design of FEEL algorithms for resources-efficient learning raises
several challenges. These challenges are essentially related to the
multidisciplinary nature of the problem. As the data is the key component of
the learning, this article advocates a new set of considerations for data
characteristics in wireless scheduling algorithms in FEEL. Hence, we propose a
general framework for the data-aware scheduling as a guideline for future
research directions. We also discuss the main axes and requirements for data
evaluation and some exploitable techniques and metrics.
- Abstract（参考訳）: Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。
データのプライバシとスケーラビリティに関するいくつかのメリットを約束しているため、最近はホットな研究テーマになっている。
しかし、システムとデータの不均一性とリソース制約のため、ネットワークエッジでのFLの実装は困難である。
本稿では,フェデレートエッジラーニング(FEEL)における既存の課題とトレードオフについて検討する。
資源効率のよい学習のためのFEELアルゴリズムの設計にはいくつかの課題がある。
これらの課題は本質的に、問題の多分野の性質と関係している。
本稿では,この学習の鍵となる要素として,FEELにおける無線スケジューリングアルゴリズムにおけるデータ特性に関する新たな考察を提案する。
そこで本研究では,今後の研究方向性の指針として,データアウェアスケジューリングのための汎用フレームワークを提案する。
また、データ評価の主要な軸と要件、いくつかの悪用可能な技術とメトリクスについても論じる。
関連論文リスト
- A review on different techniques used to combat the non-IID and
heterogeneous nature of data in FL [0.0]
Federated Learning(FL)は、複数のエッジデバイス間で協調的なモデルトレーニングを可能にする機械学習アプローチである。
FLの重要性は、医療や金融などの業界で特に顕著であり、データのプライバシが最重要視されている。
この報告は、非IIDおよび異種データから生じる問題を掘り下げ、これらの課題に対処するために設計された現在のアルゴリズムを探求する。
論文 参考訳（メタデータ） (2024-01-01T16:34:00Z) - A Comprehensive Study on Model Initialization Techniques Ensuring
Efficient Federated Learning [0.0]
フェデレートラーニング(FL)は、分散とプライバシ保護の方法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として登場した。
モデルに使用される手法の選択は、フェデレーション学習システムの性能、収束速度、通信効率、プライバシー保証において重要な役割を果たす。
本研究は,各手法のメリットとデメリットを慎重に比較,分類,記述し,さまざまなFLシナリオに適用性について検討する。
論文 参考訳（メタデータ） (2023-10-31T23:26:58Z) - A Survey on Federated Unlearning: Challenges, Methods, and Future Directions [21.90319100485268]
近年、忘れられる権利(RTBF)の概念は、デジタル信頼とAI安全のためのデータプライバシの重要な側面となっている。
マシン・アンラーニング(MU)は、MLモデルによって識別可能な情報を選択的に排除できる、かなりの注目を集めている。
FUは、フェデレートされた学習環境におけるデータ消去の課題に直面している。
論文 参考訳（メタデータ） (2023-10-31T13:32:00Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳（メタデータ） (2023-05-31T12:54:51Z) - 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) - Towards Federated Long-Tailed Learning [76.50892783088702]
データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。
最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。
本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
論文 参考訳（メタデータ） (2022-06-30T02:34:22Z) - Federated Learning: Balancing the Thin Line Between Data Intelligence
and Privacy [0.0]
フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。
本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。
フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
論文 参考訳（メタデータ） (2022-04-22T23:39:16Z) - 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) - Data-Aware Device Scheduling for Federated Edge Learning [5.521735057483887]
Federated Edge Learning (FEEL)は、エッジデバイス間の機械学習モデルの協調トレーニングを含む。
FEELにおける非独立分散(非IID)データセットとアンバランスデータセットの新しいスケジューリング方式を提案する。
提案するFEELスケジューリングアルゴリズムは,低コストで数ラウンドで高い精度を実現することができることを示す。
論文 参考訳（メタデータ） (2021-02-18T17:17:56Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。