Fugu-MT 論文翻訳(概要): On-device Federated Learning with Flower

論文の概要: On-device Federated Learning with Flower

arxiv url: http://arxiv.org/abs/2104.03042v1
Date: Wed, 7 Apr 2021 10:42:14 GMT
ステータス: 処理完了
システム内更新日: 2021-04-08 19:10:09.976713
Title: On-device Federated Learning with Flower
Title（参考訳）: 花を用いたオンデバイスフェデレーション学習
Authors: Akhil Mathur, Daniel J. Beutel, Pedro Porto Buarque de Gusm\~ao, Javier Fernandez-Marques, Taner Topal, Xinchi Qiu, Titouan Parcollet, Yan Gao, Nicholas D. Lane
Abstract要約: Federated Learning(FL)により、エッジデバイスは、デバイス上のトレーニングデータを維持しながら、共有予測モデルを共同で学習できます。 FLのアルゴリズムの進歩にもかかわらず、エッジデバイス上のFLアルゴリズムのオンデバイストレーニングのサポートは未だに貧弱である。 Flower フレームワークを用いて,様々なスマートフォンや組み込みデバイス上でデバイス上のFLを探索する。
参考スコア（独自算出の注目度）: 22.719117235237036
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) allows edge devices to collaboratively learn a shared prediction model while keeping their training data on the device, thereby decoupling the ability to do machine learning from the need to store data in the cloud. Despite the algorithmic advancements in FL, the support for on-device training of FL algorithms on edge devices remains poor. In this paper, we present an exploration of on-device FL on various smartphones and embedded devices using the Flower framework. We also evaluate the system costs of on-device FL and discuss how this quantification could be used to design more efficient FL algorithms.
Abstract（参考訳）: フェデレーション学習(federated learning, fl)は,エッジデバイスがデバイス上にトレーニングデータを保持しながら,共有予測モデルを協調的に学習することを可能にする。 flのアルゴリズムの進歩にもかかわらず、エッジデバイス上でのflアルゴリズムのオンデバイストレーニングのサポートは乏しいままである。本稿では,Flowerフレームワークを用いて,様々なスマートフォンや組み込みデバイス上でのデバイスFLの探索を行う。また、オンデバイスflのシステムコストを評価し、この定量化がより効率的なflアルゴリズムの設計にどのように役立つかについて議論する。

関連論文リスト

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)
Ed-Fed: A generic federated learning framework with resource-aware client selection for edge devices [0.6875312133832078]
フェデレートラーニング(FL)は、エッジデバイスが協調して統一予測モデルを作成するための顕著な方法として進化してきた。 FLアルゴリズムのシミュレーションには多くの研究フレームワークがあるが、音声認識タスクの包括的な展開は容易ではない。そこでEd-Fed氏は、将来の実用的FLシステム研究の基礎として、包括的で汎用的なFLフレームワークを紹介した。
論文参考訳（メタデータ） (2023-07-14T07:19:20Z)
FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [77.45213180689952]
本稿では,エッジコンピューティングシステムにおけるFLワークロードを対象としたベンチマークであるFLEdgeを紹介する。ハードウェアの不均一性,トレーニング中のエネルギー効率,およびFLシステムのトレーニングに対する各種の差分プライバシーレベルの影響を系統的に研究した。クライアントのドロップアウトが失敗率50%の最先端のFL戦略に与える影響を評価する。
論文参考訳（メタデータ） (2023-06-08T13:11:20Z)
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)
APPFL: Open-Source Software Framework for Privacy-Preserving Federated Learning [0.0]
フェデレートラーニング(FL)は、従来の機械学習のように、データを中央の場所に転送する代わりに、異なる場所でトレーニングモデルを実行し、トレーニングから重みを更新することを可能にする。本稿では,Argonneのプライバシ保護フェデレート学習フレームワークであるAPPFLを紹介する。 APPFLは、実装されたプライバシ保存アルゴリズムを活用し、新しいアルゴリズムを実装し、さまざまなFLアルゴリズムをプライバシ保存技術でシミュレートし、デプロイすることを可能にする。
論文参考訳（メタデータ） (2022-02-08T06:23:05Z)
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文参考訳（メタデータ） (2020-12-22T02:54:18Z)
Flower: A Friendly Federated Learning Research Framework [18.54638343801354]
フェデレートラーニング(FL)は、エッジデバイスが共同で共有予測モデルを学ぶための有望なテクニックとして登場した。 Flower - 大規模なFL実験を行うための新しい設備を提供することで、既存のプラットフォームと差別化を図った包括的なFLフレームワークである。
論文参考訳（メタデータ） (2020-07-28T17:59:07Z)
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)
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。