論文の概要: A Systematic Literature Review on Federated Learning: From A Model Quality Perspective

• arxiv url: http://arxiv.org/abs/2012.01973v1
• Date: Tue, 1 Dec 2020 05:48:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 07:14:04.826886
• Title: A Systematic Literature Review on Federated Learning: From A Model Quality Perspective
• Title（参考訳）: フェデレーションラーニングに関する体系的文献レビュー:モデル品質の観点から
• Authors: Yi Liu, Li Zhang, Ning Ge, Guanghao Li
• Abstract要約: フェデレートラーニング(FL)は、データをローカルに残してグローバルモデルを共同でトレーニングすることができる。 本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。
• 参考スコア（独自算出の注目度）: 10.725466627592732
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: As an emerging technique, Federated Learning (FL) can jointly train a global model with the data remaining locally, which effectively solves the problem of data privacy protection through the encryption mechanism. The clients train their local model, and the server aggregates models until convergence. In this process, the server uses an incentive mechanism to encourage clients to contribute high-quality and large-volume data to improve the global model. Although some works have applied FL to the Internet of Things (IoT), medicine, manufacturing, etc., the application of FL is still in its infancy, and many related issues need to be solved. Improving the quality of FL models is one of the current research hotspots and challenging tasks. This paper systematically reviews and objectively analyzes the approaches to improving the quality of FL models. We are also interested in the research and application trends of FL and the effect comparison between FL and non-FL because the practitioners usually worry that achieving privacy protection needs compromising learning quality. We use a systematic review method to analyze 147 latest articles related to FL. This review provides useful information and insights to both academia and practitioners from the industry. We investigate research questions about academic research and industrial application trends of FL, essential factors affecting the quality of FL models, and compare FL and non-FL algorithms in terms of learning quality. Based on our review's conclusion, we give some suggestions for improving the FL model quality. Finally, we propose an FL application framework for practitioners.
• Abstract（参考訳）: 新たな技術として、フェデレートラーニング(FL)は、グローバルモデルをローカルに残したデータと共同でトレーニングすることで、暗号化メカニズムを通じてデータプライバシ保護の問題を効果的に解決することができる。 クライアントはローカルモデルをトレーニングし、サーバは収束するまでモデルを集約する。 このプロセスでは、サーバはインセンティブメカニズムを使用して、クライアントに高品質で大量のデータを提供し、グローバルモデルを改善するように促します。 FLをIoT(Internet of Things, モノのインターネット)や医療, 製造などに適用する研究もあるが, FLの適用はまだ初期段階であり, 関連する課題も数多く解決する必要がある。 FLモデルの品質向上は、現在の研究ホットスポットの1つであり、課題である。 本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。 また,プライバシ保護の実現は学習品質を損なう必要があるという懸念から,fl と non-fl の比較研究や応用動向にも関心がある。 flに関する最新論文147件を系統的レビュー手法を用いて分析した。 このレビューは、業界の学界と実践者の両方に有用な情報と洞察を提供する。 FLモデルの品質に影響を及ぼす重要な要因であるFLの学術研究と産業応用動向について研究を行い、FLと非FLのアルゴリズムを学習品質の観点から比較した。 レビューの結論に基づき、FLモデルの品質を改善するためのいくつかの提案を行う。 最後に,実践者のためのFLアプリケーションフレームワークを提案する。

関連論文リスト

• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• 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)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• Keep It Simple: Fault Tolerance Evaluation of Federated Learning with Unreliable Clients [0.28939699256527274]
  フェデレートラーニング(FL)は、ローカルトレーニングデータを公開することなく、複数のデバイスにわたる分散モデルトレーニングを可能にする。 信頼性の低いクライアントが存在する場合、単純なFLアルゴリズムは驚くほどよく機能することを示す。
  論文  参考訳（メタデータ） (2023-05-16T23:55:47Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• Vertical Federated Learning: A Structured Literature Review [0.0]
  フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。 本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
  論文  参考訳（メタデータ） (2022-12-01T16:16:41Z)
• Introducing Federated Learning into Internet of Things ecosystems -- preliminary considerations [0.31402652384742363]
  分散環境におけるモデルのトレーニングを容易にするために,フェデレートラーニング(FL)を提案する。 これは(ローカル)データのプライバシ保護をサポートし、モデルのトレーニングにローカルリソースを使用する。
  論文  参考訳（メタデータ） (2022-07-15T18:48:57Z)
• 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)
• A Multi-agent Reinforcement Learning Approach for Efficient Client Selection in Federated Learning [17.55163940659976]
  Federated Learning(FL)は、クライアントデバイスが共有モデルを共同で学習することを可能にするトレーニングテクニックである。 モデル精度、処理遅延、通信効率を協調的に最適化する効率的なFLフレームワークを設計する。 実験により、FedMarlは処理遅延と通信コストを大幅に削減して、モデルの精度を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-01-09T05:55:17Z)
• FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
  フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。 既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。 FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
  論文  参考訳（メタデータ） (2020-07-27T13:02:08Z)
• Delay Minimization for Federated Learning Over Wireless Communication Networks [172.42768672943365]
  無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。 最適解を得るために,二項探索アルゴリズムを提案する。 シミュレーションの結果,提案アルゴリズムは従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
  論文  参考訳（メタデータ） (2020-07-05T19:00:07Z)

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。