論文の概要: Towards Personalized Federated Learning

• arxiv url: http://arxiv.org/abs/2103.00710v1
• Date: Mon, 1 Mar 2021 02:45:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 10:05:27.895566
• Title: Towards Personalized Federated Learning
• Title（参考訳）: 個人化フェデレーション学習に向けて
• Authors: Alysa Ziying Tan, Han Yu, Lizhen Cui, Qiang Yang
• Abstract要約: PFL手法をデータベースおよびモデルベースアプローチに分割するユニークな分類法を提案する。 我々は、その重要なアイデアを強調し、新しいpflアーキテクチャ設計に向けた研究の将来の展望を期待する。
• 参考スコア（独自算出の注目度）: 20.586573091790665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As artificial intelligence (AI)-empowered applications become widespread, there is growing awareness and concern for user privacy and data confidentiality. This has contributed to the popularity of federated learning (FL). FL applications often face data distribution and device capability heterogeneity across data owners. This has stimulated the rapid development of Personalized FL (PFL). In this paper, we complement existing surveys, which largely focus on the methods and applications of FL, with a review of recent advances in PFL. We discuss hurdles to PFL under the current FL settings, and present a unique taxonomy dividing PFL techniques into data-based and model-based approaches. We highlight their key ideas, and envision promising future trajectories of research towards new PFL architectural design, realistic PFL benchmarking, and trustworthy PFL approaches.
• Abstract（参考訳）: ai(artificial intelligence)によるアプリケーションの普及に伴い、ユーザのプライバシとデータの機密性に対する意識と懸念が高まっている。 これにより、連合学習(federated learning:fl)が普及した。 flアプリケーションは、しばしばデータ所有者間でデータ分散とデバイス能力の多様性に直面します。 これによりパーソナライズドFL(Personalized FL)の急速な発展が促進された。 本論文では, FLの手法と応用を主として重視した既存の調査を, PFLの最近の進歩を振り返って補完する。 現在のFL設定でPFLのハードルを議論し、PFL技術をデータベースおよびモデルベースのアプローチに分割するユニークな分類法を提示する。 我々はこれらの重要なアイデアを強調し、新しいPFLアーキテクチャ設計、現実的なPFLベンチマーク、信頼できるPFLアプローチに向けた将来的な研究の軌跡を想定する。

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)
• PFLlib: Personalized Federated Learning Algorithm Library [27.954706790789434]
  PFLlibは総合的なpFLアルゴリズムライブラリであり、統合評価プラットフォームを備えている。 7つの古典的tFLアルゴリズムと27のpFLアルゴリズムを含む34の最先端FLアルゴリズムを実装した。 PFLlibはすでに850のスターと199のフォークをGitHubで獲得している。
  論文  参考訳（メタデータ） (2023-12-08T12:03:08Z)
• PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning [55.930403371398114]
  パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。 PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。 いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
  論文  参考訳（メタデータ） (2023-08-23T22:38:35Z)
• GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning [32.884949308979465]
  GPFLと呼ばれる新しいpFL手法を提案し、各クライアントのグローバルおよびパーソナライズされた特徴情報を同時に学習する。 GPFLはオーバーフィッティングを軽減し、ベースラインの精度を最大8.99%向上させる。
  論文  参考訳（メタデータ） (2023-08-20T14:25:31Z)
• Decentralized Federated Learning: A Survey and Perspective [45.81975053649379]
  分散FL(DFL)は、中央サーバーを必要としない分散ネットワークアーキテクチャである。 DFLはクライアント間の直接通信を可能にし、通信リソースの大幅な節約をもたらす。
  論文  参考訳（メタデータ） (2023-06-02T15:12:58Z)
• Bayesian Federated Learning: A Survey [54.40136267717288]
  フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。 既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-04-26T03:41:17Z)
• 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)
• pFL-Bench: A Comprehensive Benchmark for Personalized Federated Learning [42.819532536636835]
  そこで我々は,pFL ベンチマーク pFL-Bench を提案し,迅速な再現性,標準化,徹底的な pFL 評価を行った。 提案するベンチマークには、統一されたデータパーティションと現実的な異種設定を備えた、多様なアプリケーションドメインの10以上のデータセットが含まれている。 我々は、最先端のpFL手法の利点と可能性を強調し、pFL-BenchがさらなるpFL研究と幅広い応用を可能にすることを期待する。
  論文  参考訳（メタデータ） (2022-06-08T02:51:59Z)
• Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
  フェデレートラーニング(FL)は異種分散データに対して脆弱である。 この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。 既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。 我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
  論文  参考訳（メタデータ） (2022-01-27T08:43:11Z)

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。