論文の概要: Federated Transfer Learning: concept and applications

• arxiv url: http://arxiv.org/abs/2010.15561v3
• Date: Sat, 6 Mar 2021 10:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 09:11:28.066041
• Title: Federated Transfer Learning: concept and applications
• Title（参考訳）: フェデレーション・トランスファー・ラーニング:概念と応用
• Authors: Sudipan Saha and Tahir Ahmad
• Abstract要約: フェデレートトランスファーラーニング(FTL)は、重複する多くの機能やユーザを持たないドメイン間で知識を伝達することを可能にする。 本研究では,FTLの背景と既存アプリケーションについて検討する。 さらに、プライバシと機械学習の観点からFTLを分析する。
• 参考スコア（独自算出の注目度）: 2.474754293747645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Development of Artificial Intelligence (AI) is inherently tied to the development of data. However, in most industries data exists in form of isolated islands, with limited scope of sharing between different organizations. This is an hindrance to the further development of AI. Federated learning has emerged as a possible solution to this problem in the last few years without compromising user privacy. Among different variants of the federated learning, noteworthy is federated transfer learning (FTL) that allows knowledge to be transferred across domains that do not have many overlapping features and users. In this work we provide a comprehensive survey of the existing works on this topic. In more details, we study the background of FTL and its different existing applications. We further analyze FTL from privacy and machine learning perspective.
• Abstract（参考訳）: 人工知能(AI)の開発は、本質的にデータの開発と結びついている。 しかし、ほとんどの産業のデータは孤立した島として存在し、異なる組織間での共有の範囲は限られている。 これは、AIのさらなる発展への障害である。 フェデレーション学習は、ユーザプライバシを損なうことなく、ここ数年でこの問題の解決策として浮上した。 フェデレーション学習のさまざまなバリエーションの中で注目すべきは、多くの重複する特徴やユーザを持たないドメイン間で知識を伝達できるフェデレーショントランスファーラーニング(FTL)である。 本稿では,本トピックに関する既存研究の総合的な調査を行う。 より詳しくは、FTLの背景とその既存アプリケーションについて検討する。 我々はプライバシーと機械学習の観点からftlをさらに分析する。

関連論文リスト

• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Prototype of deployment of Federated Learning with IoT devices [0.0]
  要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。 同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。 フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-24T10:37:30Z)
• 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: Issues in Medical Application [0.7598921989525735]
  ローカルデータを移動せずにAIを学習可能にするフェデレーション学習は、Googleが2017年に導入して以来、特に医学分野で積極的に研究されてきた。 ローカルクライアントからデータを集めることなく、AIにおける機械学習というアイデアは非常に魅力的だ。 しかし,非同一分布,クライアント参加管理,脆弱な環境など,独自の特徴があるため,フェデレーション学習にはさまざまな課題が残されている。
  論文  参考訳（メタデータ） (2021-09-01T06:04:08Z)
• Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
  スマートデバイスは環境から大量のデータを収集することができる。 このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。 そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T17:01:58Z)
• The FeatureCloud AI Store for Federated Learning in Biomedicine and Beyond [0.7517525791460022]
  Federated Learning(FL)のようなプライバシー保護メソッドは、機密データを共有せずにMLモデルのトレーニングを可能にする。 FLのためのFeatureCloud AI Storeを、バイオメディカル研究やその他のアプリケーションのためのオールインワンプラットフォームとして提示する。
  論文  参考訳（メタデータ） (2021-05-12T15:31:46Z)
• What is being transferred in transfer learning? [51.6991244438545]
  事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。 事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
  論文  参考訳（メタデータ） (2020-08-26T17:23:40Z)
• Federated and continual learning for classification tasks in a society of devices [59.45414406974091]
  Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。 我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。 提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
  論文  参考訳（メタデータ） (2020-06-12T12:37:03Z)

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。