論文の概要: A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things

• arxiv url: http://arxiv.org/abs/2104.10501v1
• Date: Wed, 21 Apr 2021 12:40:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:31:59.012099
• Title: A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things
• Title（参考訳）: インダストリアル・モノのインターネットを加速するための連合学習とその応用に関する調査
• Authors: Jiehan Zhou, Shouhua Zhang, Qinghua Lu, Wenbin Dai, Min Chen, Xin Liu, Susanna Pirttikangas, Yang Shi, Weishan Zhang, Enrique Herrera-Viedma
• Abstract要約: Federated Learning (FL) は、集中型トレーニングデータなしで、コラボレーションインテリジェンスを業界にもたらします。 FLは、企業がセキュリティ上の懸念からデータインテリジェンスを利用したいというジレンマを解決する。
• 参考スコア（独自算出の注目度）: 16.12159638852093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) brings collaborative intelligence into industries without centralized training data to accelerate the process of Industry 4.0 on the edge computing level. FL solves the dilemma in which enterprises wish to make the use of data intelligence with security concerns. To accelerate industrial Internet of things with the further leverage of FL, existing achievements on FL are developed from three aspects: 1) define terminologies and elaborate a general framework of FL for accommodating various scenarios; 2) discuss the state-of-the-art of FL on fundamental researches including data partitioning, privacy preservation, model optimization, local model transportation, personalization, motivation mechanism, platform & tools, and benchmark; 3) discuss the impacts of FL from the economic perspective. To attract more attention from industrial academia and practice, a FL-transformed manufacturing paradigm is presented, and future research directions of FL are given and possible immediate applications in Industry 4.0 domain are also proposed.
• Abstract（参考訳）: federated learning(fl)は、エッジコンピューティングレベルでの業界4.0のプロセスを加速するために、集中的なトレーニングデータを持たない産業にコラボレーションインテリジェンスをもたらす。 FLは、企業がセキュリティ上の懸念からデータインテリジェンスを利用したいというジレンマを解決する。 To accelerate industrial Internet of things with the further leverage of FL, existing achievements on FL are developed from three aspects: 1) define terminologies and elaborate a general framework of FL for accommodating various scenarios; 2) discuss the state-of-the-art of FL on fundamental researches including data partitioning, privacy preservation, model optimization, local model transportation, personalization, motivation mechanism, platform & tools, and benchmark; 3) discuss the impacts of FL from the economic perspective. 産業アカデミックや実践から注目を惹きつけるため、FL変換製造パラダイムが提案され、FLの今後の研究方向性が示され、産業4.0ドメインでの即時適用も提案されている。

関連論文リスト

• FLEX: FLEXible Federated Learning Framework [6.112199274064954]
  本稿ではFLEX(FLEXible Federated Learning Framework)について紹介する。 データ配布、プライバシパラメータ、通信戦略のカスタマイズ可能な機能を提供することで、FLEXは研究者に新しいFLテクニックの革新と開発を許可する。
  論文  参考訳（メタデータ） (2024-04-09T08:51:05Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  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)
• 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)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• Towards Open Federated Learning Platforms: Survey and Vision from Technical and Legal Perspectives [34.0620974123791]
  従来のフェデレートラーニング(FL)は、サーバが支配する協調パラダイムに従っています。 私たちは、現在のFLフレームワークの設計を再考し、より一般的な概念であるOpen Federated Learning Platformに拡張することを提唱します。
  論文  参考訳（メタデータ） (2023-07-05T09:30:14Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Introducing Federated Learning into Internet of Things ecosystems -- preliminary considerations [0.31402652384742363]
  分散環境におけるモデルのトレーニングを容易にするために,フェデレートラーニング(FL)を提案する。 これは(ローカル)データのプライバシ保護をサポートし、モデルのトレーニングにローカルリソースを使用する。
  論文  参考訳（メタデータ） (2022-07-15T18:48:57Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)
• Federated Learning for Industrial Internet of Things in Future Industries [106.13524161081355]
  産業用IoT(Industrial Internet of Things)は,産業用システムの運用を変革する有望な機会を提供する。 近年、人工知能(AI)はインテリジェントIIoTアプリケーションの実現に広く利用されている。 フェデレートラーニング(FL)は、複数のIIoTデバイスとマシンを協調して、ネットワークエッジでAIトレーニングを実行することで、インテリジェントなIIoTネットワークにとって特に魅力的である。
  論文  参考訳（メタデータ） (2021-05-31T01:02:59Z)
• Fusion of Federated Learning and Industrial Internet of Things: A Survey [4.810675235074399]
  産業モノのインターネット(IIoT)は産業4.0の概念のための新しいパラダイムを構築し、新しい産業時代のための洞察を与えます。 スマートマシンとスマートファクトリは、インテリジェンス獲得に機械学習/ディープラーニングベースのモデルを使用する。 この問題を解決するために、フェデレーションラーニング(FL)技術がIIoTに実装され、研究者は安全、正確、堅牢、および偏見のないモデルを提供しています。
  論文  参考訳（メタデータ） (2021-01-04T06:28:32Z)
• A Systematic Literature Review on Federated Learning: From A Model Quality Perspective [10.725466627592732]
  フェデレートラーニング(FL)は、データをローカルに残してグローバルモデルを共同でトレーニングすることができる。 本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。
  論文  参考訳（メタデータ） (2020-12-01T05:48:36Z)

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。