論文の概要: Federated Evaluation and Tuning for On-Device Personalization: System Design & Applications

• arxiv url: http://arxiv.org/abs/2102.08503v1
• Date: Tue, 16 Feb 2021 23:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:36:12.802636
• Title: Federated Evaluation and Tuning for On-Device Personalization: System Design & Applications
• Title（参考訳）: オンデバイスパーソナライズのためのフェデレーション評価とチューニング:システム設計と応用
• Authors: Matthias Paulik, Matt Seigel, Henry Mason, Dominic Telaar, Joris Kluivers, Rogier van Dalen, Chi Wai Lau, Luke Carlson, Filip Granqvist, Chris Vandevelde, Sudeep Agarwal, Julien Freudiger, Andrew Byde, Abhishek Bhowmick, Gaurav Kapoor, Si Beaumont, \'Aine Cahill, Dominic Hughes, Omid Javidbakht, Fei Dong, Rehan Rishi, Stanley Hung
• Abstract要約: 近年では、深層ニューラルネットワークのフェデレーション学習(FL)という、新たなフェデレーションタスクのサポートが追加されている。 デバイス内パーソナライゼーションへのフェデレーションチューニングの適用性を示すために,2つの特定の大規模パーソナライゼーションユースケースを詳細に説明する。
• 参考スコア（独自算出の注目度）: 6.640484261803381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe the design of our federated task processing system. Originally, the system was created to support two specific federated tasks: evaluation and tuning of on-device ML systems, primarily for the purpose of personalizing these systems. In recent years, support for an additional federated task has been added: federated learning (FL) of deep neural networks. To our knowledge, only one other system has been described in literature that supports FL at scale. We include comparisons to that system to help discuss design decisions and attached trade-offs. Finally, we describe two specific large scale personalization use cases in detail to showcase the applicability of federated tuning to on-device personalization and to highlight application specific solutions.
• Abstract（参考訳）: フェデレーションタスク処理システムの設計について説明します。 もともと、システムは2つの特定の連合タスクをサポートするために作成されました:主にこれらのシステムをパーソナライズする目的で、デバイス上のMLシステムの評価とチューニング。 近年では、深層ニューラルネットワークのフェデレーション学習(FL)という、新たなフェデレーションタスクのサポートが追加されている。 我々の知る限り、FLを大規模にサポートする文献では、他の1つのシステムのみが記述されている。 我々は、設計決定と関連するトレードオフを議論するために、システムとの比較を含める。 最後に、デバイス上でのパーソナライズへのフェデレーションチューニングの適用性を示し、アプリケーション固有のソリューションを強調するために、2つの特定の大規模パーソナライズユースケースを詳述する。

関連論文リスト

• PEFSL: A deployment Pipeline for Embedded Few-Shot Learning on a FPGA SoC [0.0]
  FPGAシステム上でのオブジェクト分類のための数ショット学習プラットフォームのためのエンドツーエンドのオープンソースパイプラインを開発した。 データフローアーキテクチャを用いて,MiniImageNetデータセットでトレーニングした低消費電力で低レイテンシなデモレータを構築し,デプロイする。 提案システムは、PYNQ-Z1基板上で6.2Wを消費しながら、30ミリ秒のレイテンシを持つ。
  論文  参考訳（メタデータ） (2024-04-30T08:33:52Z)
• System-Level Natural Language Feedback [83.24259100437965]
  システムレベルの設計決定を人為的なループプロセスで形式化する上で,フィードバックの活用方法を示す。 検索クエリと対話応答生成を改善するために,本手法のケーススタディを2つ実施する。 システムレベルのフィードバックとインスタンスレベルのフィードバックの組み合わせは、さらなる利益をもたらします。
  論文  参考訳（メタデータ） (2023-06-23T16:21:40Z)
• Towards Cooperative Federated Learning over Heterogeneous Edge/Fog Networks [49.19502459827366]
  フェデレートラーニング(FL)は、エッジ/フォグネットワーク上で機械学習(ML)モデルをトレーニングするための一般的なテクニックとして推奨されている。 FLの従来の実装は、ネットワーク間協力の可能性を大きく無視してきた。 我々は,デバイス・ツー・デバイス(D2D)とデバイス・ツー・サーバ(D2S)インタラクションに基づいて構築された協調的エッジ/フォグMLパラダイムである協調的連合学習(CFL)を提唱する。
  論文  参考訳（メタデータ） (2023-03-15T04:41:36Z)
• Dual Personalization on Federated Recommendation [50.4115315992418]
  フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。 本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。 また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
  論文  参考訳（メタデータ） (2023-01-16T05:26:07Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• Determining Sentencing Recommendations and Patentability Using a Machine Learning Trained Expert System [0.0]
  本稿では機械学習エキスパートシステム(MLES)を用いた2つの研究について述べる。 ある研究では、一貫した連邦刑事判決についてアメリカ合衆国連邦判事に助言するシステムに焦点を当てている。 もう一つの研究は、米国特許商標庁が特許性評価プロセスの自動化を支援するシステムを開発することを目的としている。
  論文  参考訳（メタデータ） (2021-08-05T16:21:29Z)
• Performance Analysis of Deep Learning Workloads on a Composable System [0.08388591755871731]
  構成可能なインフラストラクチャは、計算、ストレージ、アクセラレータ、ネットワークなどのリソースとして定義され、プール内で共有される。 本稿では、IBM Research AI Hardware Centerのパートナーが実装し、利用可能にしたエンタープライズ構成可能なインフラストラクチャの設計について説明します。
  論文  参考訳（メタデータ） (2021-03-19T17:15:42Z)
• An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration [55.67505546330206]
  レコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を説明します。 本論文では,レコメンダーシステムと機械学習の応用例を示し,今後の研究課題について考察する。
  論文  参考訳（メタデータ） (2021-02-12T17:21:36Z)
• The OARF Benchmark Suite: Characterization and Implications for Federated Learning Systems [41.90546696412147]
  Open Application Repository for Federated Learning (OARF)は、フェデレートされた機械学習システムのためのベンチマークスイートである。 OARFは、画像、テキスト、構造化データの異なるデータサイロとして、公開データセットを使って、より現実的なアプリケーションシナリオを模倣します。
  論文  参考訳（メタデータ） (2020-06-14T10:11:36Z)

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。