Fugu-MT 論文翻訳(概要): Federated Learning: Opportunities and Challenges

論文の概要: Federated Learning: Opportunities and Challenges

arxiv url: http://arxiv.org/abs/2101.05428v1
Date: Thu, 14 Jan 2021 02:44:28 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 10:20:04.699106
Title: Federated Learning: Opportunities and Challenges
Title（参考訳）: 連合学習: 機会と課題
Authors: Priyanka Mary Mammen
Abstract要約: Federated Learning(FL)は、Googleが2016年に導入した概念である。複数のデバイスが協調して、中央サーバの監督下でプライベートデータを共有せずに機械学習モデルを学習する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) is a concept first introduced by Google in 2016, in which multiple devices collaboratively learn a machine learning model without sharing their private data under the supervision of a central server. This offers ample opportunities in critical domains such as healthcare, finance etc, where it is risky to share private user information to other organisations or devices. While FL appears to be a promising Machine Learning (ML) technique to keep the local data private, it is also vulnerable to attacks like other ML models. Given the growing interest in the FL domain, this report discusses the opportunities and challenges in federated learning.
Abstract（参考訳）: Federated Learning(FL)は、2016年にGoogleが最初に導入したコンセプトで、複数のデバイスが中央サーバーの監督下でプライベートデータを共有せずに機械学習モデルを共同で学習する。これは、医療、金融などの重要なドメインにおいて、他の組織やデバイスとプライベートなユーザー情報を共有するリスクがある多くの機会を提供する。 FLはローカルデータをプライベートに保つための有望な機械学習(ML)技術であるように見えるが、他のMLモデルのような攻撃にも脆弱である。 flドメインへの関心が高まる中、本報告では連合学習の機会と課題について述べる。

関連論文リスト

Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。 Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。 Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。 SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文参考訳（メタデータ） (2024-05-01T14:59:24Z)
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)
Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
論文参考訳（メタデータ） (2023-11-12T11:01:10Z)
A Survey on Decentralized Federated Learning [0.709016563801433]
近年、フェデレーション学習は、分散、大規模、プライバシ保護機械学習(ML)システムのトレーニングにおいて一般的なパラダイムとなっている。典型的なFLシステムでは、中央サーバはオーケストレータとしてのみ機能し、各クライアントによって訓練されたすべてのローカルモデルを、収束するまで反復的に収集し集約する。最も重要な課題の1つは、古典的なFLクライアントサーバアーキテクチャの集中的なオーケストレーションを克服することである。すべてのFLクライアントが中央サーバなしで協力し、通信する分散FLソリューションが登場しました。
論文参考訳（メタデータ） (2023-08-08T22:07:15Z)
Over-the-Air Federated Learning In Broadband Communication [0.0]
Federated Learning(FL)は、プライバシ保護のための分散機械学習パラダイムで、無線エッジで動作する。いくつかはセキュアなマルチパーティ計算に依存しており、推論攻撃に弱い可能性がある。他のものは差分プライバシーを採用しているが、これは少数のデータに寄与する多数のパーティを扱う際のテストの精度を低下させる可能性がある。
論文参考訳（メタデータ） (2023-06-03T00:16:27Z)
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 with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文参考訳（メタデータ） (2022-10-16T06:44:46Z)
FedLess: Secure and Scalable Federated Learning Using Serverless Computing [1.141832715860866]
フェデレートラーニング(FL)は、データをローカルに保ちながら、リモートクライアントが共有MLモデルを学ぶことを可能にする。本稿では、FedLessと呼ばれるサーバーレスFLのための新しいシステムとフレームワークを提案する。当社のシステムは,複数の商用および自己ホスト型Fプロバイダをサポートし,クラウド,オンプレミスの機関データセンタ,エッジデバイスにデプロイすることができる。
論文参考訳（メタデータ） (2021-11-05T11:14:07Z)
Advancements of federated learning towards privacy preservation: from federated learning to split learning [1.3700362496838854]
分散コラボレーティブ機械学習(DCML)パラダイムにおいて、フェデレーテッド・ラーニング(FL)は、健康、金融、業界 4.0 やスマート車といった最新のイノベーションの応用により、最近多くの注目を集めた。現実的なシナリオでは、すべてのクライアントは十分なコンピューティングリソース(例えばモノのインターネット)を持っておらず、機械学習モデルには数百万のパラメータがあり、サーバとクライアントの間のプライバシは主要な関心事である。近年、FLとSLのハイブリッドであるスプリット・ラーニングを導入し、FL(より速いトレーニング/テスト時間)とSL(モデル分割時間)の両方の利点を高めている。
論文参考訳（メタデータ） (2020-11-25T05:01:33Z)
WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文参考訳（メタデータ） (2020-08-13T04:26:31Z)
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。