論文の概要: FLaaS: Federated Learning as a Service

• arxiv url: http://arxiv.org/abs/2011.09359v1
• Date: Wed, 18 Nov 2020 15:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 05:22:16.007829
• Title: FLaaS: Federated Learning as a Service
• Title（参考訳）: flaas: サービスとしての連合学習
• Authors: Nicolas Kourtellis and Kleomenis Katevas and Diego Perino
• Abstract要約: 我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。 概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。 100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
• 参考スコア（独自算出の注目度）: 3.128267020893596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated Learning (FL) is emerging as a promising technology to build machine learning models in a decentralized, privacy-preserving fashion. Indeed, FL enables local training on user devices, avoiding user data to be transferred to centralized servers, and can be enhanced with differential privacy mechanisms. Although FL has been recently deployed in real systems, the possibility of collaborative modeling across different 3rd-party applications has not yet been explored. In this paper, we tackle this problem and present Federated Learning as a Service (FLaaS), a system enabling different scenarios of 3rd-party application collaborative model building and addressing the consequent challenges of permission and privacy management, usability, and hierarchical model training. FLaaS can be deployed in different operational environments. As a proof of concept, we implement it on a mobile phone setting and discuss practical implications of results on simulated and real devices with respect to on-device training CPU cost, memory footprint and power consumed per FL model round. Therefore, we demonstrate FLaaS's feasibility in building unique or joint FL models across applications for image object detection in a few hours, across 100 devices.
• Abstract（参考訳）: フェデレートラーニング(FL)は、分散型のプライバシ保護方式で機械学習モデルを構築するための有望な技術として浮上している。 実際、flはユーザーデバイスのローカルトレーニングを可能にし、ユーザーデータを中央集権サーバに転送することを避け、異なるプライバシーメカニズムで強化することができる。 flは最近実システムにデプロイされているが、異なるサードパーティアプリケーション間での協調モデリングの可能性はまだ検討されていない。 本稿では,この課題に対処し,許可とプライバシ管理,ユーザビリティ,階層モデルトレーニングといった課題に対処し,サードパーティアプリケーションコラボレーションモデル構築のさまざまなシナリオを実現するシステムであるFLaaS(Federated Learning as a Service)を提案する。 FLaaSはさまざまな運用環境にデプロイできる。 概念実証として,携帯電話に実装し,実機シミュレーションによる実機結果の実用的意義を,オンデバイスでのcpuコスト,メモリフットプリント,flモデルラウンド毎の消費電力などに関して議論する。 そこで本研究では,100台のデバイスにまたがる画像オブジェクト検出のためのユニークなflモデルやジョイントflモデルの構築において,flaasが実現可能であることを示す。

関連論文リスト

• A Survey on Efficient Federated Learning Methods for Foundation Model Training [66.19763977571114]
  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 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Project Florida: Federated Learning Made Easy [4.829821142951709]
  本稿では,大規模フェデレートラーニング(FL)ソリューションの展開を可能にするシステムアーキテクチャとソフトウェア開発キット(SDK)であるProject Floridaを紹介する。 FLは、強力なデータ主権原則に基づく機械学習のアプローチである。 Project Floridaは、クラウドにホストされたインフラストラクチャとタスク管理インターフェースを提供することで、デバイス横断FLソリューションのデプロイ作業の簡略化を目指している。
  論文  参考訳（メタデータ） (2023-07-21T20:56:20Z)
• An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity [2.055204980188575]
  Federated Learning(FL)は、単一のサーバと複数のクライアントがクライアントからデータを移動することなく、協調してMLモデルを構築する分散アプローチである。 本研究では,IoTとエッジデバイス(IoT-Edgeデバイスと呼ばれる)の大規模ネットワーク上で,FLの実環境特性を示す大規模な実験を系統的に実施する。
  論文  参考訳（メタデータ） (2023-05-31T13:16:07Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• 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)
• Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
  フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。 FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
  論文  参考訳（メタデータ） (2022-05-18T10:47:09Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Flower: A Friendly Federated Learning Research Framework [18.54638343801354]
  フェデレートラーニング(FL)は、エッジデバイスが共同で共有予測モデルを学ぶための有望なテクニックとして登場した。 Flower - 大規模なFL実験を行うための新しい設備を提供することで、既存のプラットフォームと差別化を図った包括的なFLフレームワークである。
  論文  参考訳（メタデータ） (2020-07-28T17:59:07Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。