論文の概要: Scalable federated machine learning with FEDn

• arxiv url: http://arxiv.org/abs/2103.00148v1
• Date: Sat, 27 Feb 2021 07:30:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 05:41:46.116071
• Title: Scalable federated machine learning with FEDn
• Title（参考訳）: FEDnによるスケーラブルなフェデレーション機械学習
• Authors: Morgan Ekmefjord, Addi Ait-Mlouk, Sadi Alawadi, Mattias {\AA}kesson, Desislava Stoyanova, Ola Spjuth, Salman Toor, Andreas Hellander
• Abstract要約: FEDnは地理的に分散した機械学習環境をシミュレートするフレームワークである。 FEDnの主な機能は、クロスデバイスとクロスサイロのトレーニング設定の両方をサポートすることである。 これによりFEDnは、幅広い機械学習アプリケーションを現実的な環境で研究するための強力なツールとなる。
• 参考スコア（独自算出の注目度）: 0.3316538626812461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated machine learning has great promise to overcome the input privacy challenge in machine learning. The appearance of several projects capable of simulating federated learning has led to a corresponding rapid progress on algorithmic aspects of the problem. However, there is still a lack of federated machine learning frameworks that focus on fundamental aspects such as scalability, robustness, security, and performance in a geographically distributed setting. To bridge this gap we have designed and developed the FEDn framework. A main feature of FEDn is to support both cross-device and cross-silo training settings. This makes FEDn a powerful tool for researching a wide range of machine learning applications in a realistic setting.
• Abstract（参考訳）: フェデレーション機械学習は、マシンラーニングにおける入力プライバシの課題を克服する大きな約束を持っています。 フェデレーション学習をシミュレートできるいくつかのプロジェクトの出現は、問題のアルゴリズム的側面の急速な進展をもたらした。 しかし、地理的に分散された環境でスケーラビリティ、堅牢性、セキュリティ、パフォーマンスといった基本的な側面に焦点を当てた、フェデレーション型機械学習フレームワークはまだ存在しない。 このギャップを埋めるため、我々はFEDnフレームワークを設計、開発しました。 FEDnの主な機能は、クロスデバイスとクロスサイロのトレーニング設定の両方をサポートすることである。 これによりFEDnは、幅広い機械学習アプリケーションを現実的な環境で研究するための強力なツールとなる。

関連論文リスト

• TIFeD: a Tiny Integer-based Federated learning algorithm with Direct feedback alignment [47.39949471062935]
  リソース制約のあるデバイス上でのトレーニングマシンとディープラーニングモデルは、小さな機械学習分野における次の課題である。 提案したアルゴリズムは、完全なネットワークと単一層実装を備え、科学界でパブリックリポジトリとして利用可能である。
  論文  参考訳（メタデータ） (2024-11-25T14:44:26Z)
• Federated Learning for Computationally-Constrained Heterogeneous Devices: A Survey [3.219812767529503]
  フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。 現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
  論文  参考訳（メタデータ） (2023-07-18T12:05:36Z)
• 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)
• 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)
• Automating In-Network Machine Learning [2.857025628729502]
  Planterは、トレーニングされた機械学習モデルをプログラム可能なデバイスにマッピングするためのオープンソースのフレームワークである。 ネットワーク内機械学習アルゴリズムは,回線レートで動作し,レイテンシへの影響を無視し,標準スイッチング機能と共存し,精度のトレードオフがないことを示す。
  論文  参考訳（メタデータ） (2022-05-18T09:42:22Z)
• Towards Tailored Models on Private AIoT Devices: Federated Direct Neural Architecture Search [22.69123714900226]
  デバイス間の非IDデータからハードウェアフレンドリなNASを実現するためのFDNAS(Federated Direct Neural Architecture Search)フレームワークを提案する。 非IIDデータセットの実験では、提案したソリューションによって達成された最先端の精度効率トレードオフが示されている。
  論文  参考訳（メタデータ） (2022-02-23T13:10:01Z)
• 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)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• IBM Federated Learning: an Enterprise Framework White Paper V0.1 [28.21579297214125]
  Federated Learning(FL)は、トレーニングデータを単一の場所で集中化せずに機械学習を実行するアプローチである。 このフレームワークは、最も一般的な機械学習ライブラリに対する従来のアプローチと同様に、Deep Neural Networksにも適用される。
  論文  参考訳（メタデータ） (2020-07-22T05:32:00Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)

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。