論文の概要: EasyFL: A Low-code Federated Learning Platform For Dummies

• arxiv url: http://arxiv.org/abs/2105.07603v1
• Date: Mon, 17 May 2021 04:15:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:58:38.678729
• Title: EasyFL: A Low-code Federated Learning Platform For Dummies
• Title（参考訳）: EasyFL: ダミーのためのローコードフェデレーション学習プラットフォーム
• Authors: Weiming Zhuang, Xin Gan, Yonggang Wen, Shuai Zhang
• Abstract要約: 低コードフェデレーテッドラーニング(FL)プラットフォームであるEasyFLを初めて提案し、さまざまなレベルの専門知識を持つユーザーが、少ないコーディングでFLアプリケーションを実験およびプロトタイプできるようにします。 ほんの数行のコードで、EasyFLは実験とデプロイを加速するために、すぐに使える多くの機能を提供します。 私たちの実装は、EasyFLがバニラFLアプリケーションを構築するのにわずか3行のコードを必要とすることを示しています。
• 参考スコア（独自算出の注目度）: 21.984721627569783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Academia and industry have developed several platforms to support the popular privacy-preserving distributed learning method -- Federated Learning (FL). However, these platforms are complex to use and require a deep understanding of FL, which imposes high barriers to entry for beginners, limits the productivity of data scientists, and compromises deployment efficiency. In this paper, we propose the first low-code FL platform, EasyFL, to enable users with various levels of expertise to experiment and prototype FL applications with little coding. We achieve this goal while ensuring great flexibility for customization by unifying simple API design, modular design, and granular training flow abstraction. With only a few lines of code, EasyFL empowers them with many out-of-the-box functionalities to accelerate experimentation and deployment. These practical functionalities are heterogeneity simulation, distributed training optimization, comprehensive tracking, and seamless deployment. They are proposed based on challenges identified in the proposed FL life cycle. Our implementations show that EasyFL requires only three lines of code to build a vanilla FL application, at least 10x lesser than other platforms. Besides, our evaluations demonstrate that EasyFL expedites training by 1.5x. It also improves the efficiency of experiments and deployment. We believe that EasyFL will increase the productivity of data scientists and democratize FL to wider audiences.
• Abstract（参考訳）: 学界と業界は、一般的なプライバシー保護分散学習メソッドであるフェデレートラーニング(FL)をサポートするために、いくつかのプラットフォームを開発した。 しかし、これらのプラットフォームの使用は複雑で、FLの深い理解が必要であり、初心者の参入に高い障壁を課し、データサイエンティストの生産性を制限し、デプロイメント効率を損なう。 本稿では,様々なレベルの専門知識を持つユーザが,コーディングの少ないFLアプリケーションを実験・試作するための,最初のローコードFLプラットフォームであるEasyFLを提案する。 この目標を達成すると同時に、シンプルなAPI設計、モジュール設計、きめ細かいトレーニングフローの抽象化を統合することで、カスタマイズの柔軟性を確保します。 数行のコードだけで、EasyFLは実験とデプロイを加速するために、多くのアウトオブボックス機能で彼らに権限を与える。 これらの実用機能は異種性シミュレーション、分散トレーニング最適化、包括的なトラッキング、シームレスなデプロイメントである。 提案するflライフサイクルで特定された課題に基づいて提案する。 我々の実装は、バニラFLアプリケーションを構築するのに3行のコードしか必要とせず、少なくとも他のプラットフォームよりも10倍も少ないことを示しています。 評価の結果,EasyFLはトレーニングを1.5倍速くすることがわかった。 また、実験と展開の効率も向上する。 我々は、EasyFLがデータサイエンティストの生産性を高め、FLを幅広い聴衆に民主化すると考えている。

関連論文リスト

• 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)
• EdgeFL: A Lightweight Decentralized Federated Learning Framework [8.934690279361286]
  エッジオンリーで軽量な分散FLフレームワークであるEdgeFLを紹介します。 エッジのみのモデルトレーニングとアグリゲーションアプローチを採用することで、EdgeFLは、中央サーバの必要性を排除することができる。 既存のFLプラットフォームやフレームワークと比較して,EdgeFLは優れたパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-06T11:55:41Z)
• APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a Service [1.5070429249282935]
  クロスサイロプライバシ保護フェデレーション学習(PPFL)は、機密性の高いローカルデータを共有することなく、堅牢で一般化された機械学習(ML)モデルを協調的にトレーニングする強力なツールである。 APPFLxは、プライバシ保護のためのクロスサイロ・フェデレーション・ラーニング・アズ・ア・サービスを提供する。
  論文  参考訳（メタデータ） (2023-08-17T05:15:47Z)
• FLGo: A Fully Customizable Federated Learning Platform [23.09038374160798]
  FLGoと呼ばれる軽量なフェデレーション学習プラットフォームを提案する。 私たちのプラットフォームは、アウトオブボックスプラグインとして、40以上のベンチマーク、20以上のアルゴリズム、および2つのシステムシミュレータを提供しています。 また,並列加速度,実験トラッカ,パラメータ自動チューニングなどの実験ツールも開発している。
  論文  参考訳（メタデータ） (2023-06-21T07:55:29Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• 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)
• 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)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• 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)

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。