論文の概要: The FeatureCloud AI Store for Federated Learning in Biomedicine and Beyond

• arxiv url: http://arxiv.org/abs/2105.05734v1
• Date: Wed, 12 May 2021 15:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 16:37:29.678662
• Title: The FeatureCloud AI Store for Federated Learning in Biomedicine and Beyond
• Title（参考訳）: FeatureCloud AI Store for Federated Learning in Biomedicine and Beyond
• Authors: Julian Matschinske, Julian Sp\"ath, Reza Nasirigerdeh, Reihaneh Torkzadehmahani, Anne Hartebrodt, Bal\'azs Orb\'an, S\'andor Fej\'er, Olga Zolotareva, Mohammad Bakhtiari, B\'ela Bihari, Marcus Bloice, Nina C Donner, Walid Fdhila, Tobias Frisch, Anne-Christin Hauschild, Dominik Heider, Andreas Holzinger, Walter H\"otzendorfer, Jan Hospes, Tim Kacprowski, Markus Kastelitz, Markus List, Rudolf Mayer, M\'onika Moga, Heimo M\"uller, Anastasia Pustozerova, Richard R\"ottger, Anna Saranti, Harald HHW Schmidt, Christof Tschohl, Nina K Wenke, Jan Baumbach
• Abstract要約: Federated Learning(FL)のようなプライバシー保護メソッドは、機密データを共有せずにMLモデルのトレーニングを可能にする。 FLのためのFeatureCloud AI Storeを、バイオメディカル研究やその他のアプリケーションのためのオールインワンプラットフォームとして提示する。
• 参考スコア（独自算出の注目度）: 0.7517525791460022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) and Artificial Intelligence (AI) have shown promising results in many areas and are driven by the increasing amount of available data. However, this data is often distributed across different institutions and cannot be shared due to privacy concerns. Privacy-preserving methods, such as Federated Learning (FL), allow for training ML models without sharing sensitive data, but their implementation is time-consuming and requires advanced programming skills. Here, we present the FeatureCloud AI Store for FL as an all-in-one platform for biomedical research and other applications. It removes large parts of this complexity for developers and end-users by providing an extensible AI Store with a collection of ready-to-use apps. We show that the federated apps produce similar results to centralized ML, scale well for a typical number of collaborators and can be combined with Secure Multiparty Computation (SMPC), thereby making FL algorithms safely and easily applicable in biomedical and clinical environments.
• Abstract（参考訳）: 機械学習(ML)と人工知能(AI)は多くの分野で有望な結果を示しており、利用可能なデータの増加によって駆動されている。 しかし、このデータは様々な機関に分散しており、プライバシー上の懸念から共有することはできない。 federated learning(fl)のようなプライバシ保護手法では、機密データを共有することなくmlモデルをトレーニングすることが可能だが、実装には時間がかかり、高度なプログラミングスキルが必要である。 ここでは,生物医学研究やその他のアプリケーションのためのオールインワンプラットフォームとして,fl用のfeaturecloud ai storeを提案する。 これにより、開発者とエンドユーザにとって、この複雑さの大部分を排除し、利用可能なアプリのコレクションを備えた拡張可能なAIストアを提供する。 統合されたアプリは、集中型MLと同じような結果をもたらし、典型的数の協力者に対してうまくスケールし、セキュアなマルチパーティ計算(SMPC)と組み合わせることで、FLアルゴリズムをバイオメディカルおよび臨床環境において安全かつ容易に適用できるようにする。

関連論文リスト

• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in Computational Pathology [3.802258033231335]
  Federated Multi-Modal (FedMM) は、複数の単一モード特徴抽出器を訓練し、その後の分類性能を向上させる学習フレームワークである。 FedMMは、精度とAUCメトリクスの2つのベースラインを特に上回っている。
  論文  参考訳（メタデータ） (2024-02-24T16:58:42Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine [91.3755431537592]
  TemporAIは、機械学習(ML)タスクのためのオープンソースのPythonソフトウェアライブラリである。 時系列、静的、イベントモダリティのデータをサポートし、予測、因果推論、時間対イベント分析のためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-01-28T17:57:53Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• NVIDIA FLARE: Federated Learning from Simulation to Real-World [11.490933081543787]
  私たちはNVIDIA FLAREをオープンソース開発キット(SDK)として開発しました。 SDKには最先端のFLアルゴリズムとフェデレートされた機械学習アプローチのためのソリューションが含まれている。
  論文  参考訳（メタデータ） (2022-10-24T14:30:50Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• 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)
• Federated Learning: Issues in Medical Application [0.7598921989525735]
  ローカルデータを移動せずにAIを学習可能にするフェデレーション学習は、Googleが2017年に導入して以来、特に医学分野で積極的に研究されてきた。 ローカルクライアントからデータを集めることなく、AIにおける機械学習というアイデアは非常に魅力的だ。 しかし,非同一分布,クライアント参加管理,脆弱な環境など,独自の特徴があるため,フェデレーション学習にはさまざまな課題が残されている。
  論文  参考訳（メタデータ） (2021-09-01T06:04:08Z)
• 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)
• Federated and continual learning for classification tasks in a society of devices [59.45414406974091]
  Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。 我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。 提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
  論文  参考訳（メタデータ） (2020-06-12T12:37:03Z)

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。