論文の概要: Lithography Hotspot Detection via Heterogeneous Federated Learning with
Local Adaptation
- arxiv url: http://arxiv.org/abs/2107.04367v1
- Date: Fri, 9 Jul 2021 11:18:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-12 13:43:43.278487
- Title: Lithography Hotspot Detection via Heterogeneous Federated Learning with
Local Adaptation
- Title（参考訳）: 局所適応型不均一フェデレーション学習によるリソグラフィホットスポット検出
- Authors: Xuezhong Lin, Jingyu Pan, Jinming Xu, Yiran Chen and Cheng Zhuo
- Abstract要約: 本稿では,リソグラフィホットスポット検出のための不均一なフェデレーション学習フレームワークを提案する。
提案するフレームワークは、非独立かつ同一に分散された(非IID)データの課題を克服することができる。
- 参考スコア（独自算出の注目度）: 24.371305819618467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As technology scaling is approaching the physical limit, lithography hotspot
detection has become an essential task in design for manufacturability. While
the deployment of pattern matching or machine learning in hotspot detection can
help save significant simulation time, such methods typically demand for
non-trivial quality data to build the model, which most design houses are short
of. Moreover, the design houses are also unwilling to directly share such data
with the other houses to build a unified model, which can be ineffective for
the design house with unique design patterns due to data insufficiency. On the
other hand, with data homogeneity in each design house, the locally trained
models can be easily over-fitted, losing generalization ability and robustness.
In this paper, we propose a heterogeneous federated learning framework for
lithography hotspot detection that can address the aforementioned issues. On
one hand, the framework can build a more robust centralized global sub-model
through heterogeneous knowledge sharing while keeping local data private. On
the other hand, the global sub-model can be combined with a local sub-model to
better adapt to local data heterogeneity. The experimental results show that
the proposed framework can overcome the challenge of non-independent and
identically distributed (non-IID) data and heterogeneous communication to
achieve very high performance in comparison to other state-of-the-art methods
while guaranteeing a good convergence rate in various scenarios.
- Abstract（参考訳）: 技術的スケーリングが物理的限界に近づいている中、リソグラフィホットスポット検出は製造性の設計において重要なタスクとなっている。
パターンマッチングや機械学習をホットスポット検出に配置することで、かなりのシミュレーション時間を節約できるが、そのような手法は通常、モデルを構築するための非自明な品質データを必要とする。
また、デザインハウスは、このようなデータを他の住宅と直接共有して統一モデルを構築することを望まないため、データ不足によりユニークなデザインパターンを持つデザインハウスには効果がない。
一方、各デザインハウスにおけるデータ均質性により、局所的に訓練されたモデルは容易に過剰に適合し、一般化能力と堅牢性を失う。
本稿では,上記の問題に対処可能な,リソグラフィホットスポット検出のための異種フェデレーション学習フレームワークを提案する。
一方、このフレームワークは、ローカルデータをプライベートに保ちながら、異質な知識共有を通じて、より堅牢なグローバルサブモデルを構築することができる。
一方、グローバルなサブモデルとローカルなサブモデルを組み合わせることで、ローカルなデータの均一性を改善することができる。
提案手法は,非独立かつ同一分散(非iid)データとヘテロジニアス通信の課題を克服し,様々なシナリオにおいて良好な収束率を確保しつつ,他の最先端手法と比較して非常に高い性能を実現することができることを示す。
関連論文リスト
- FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。
我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
論文 参考訳（メタデータ） (2024-09-17T19:23:24Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Fake It Till Make It: Federated Learning with Consensus-Oriented
Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。
FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。
古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2023-12-10T18:49:59Z) - Federated Learning of Models Pre-Trained on Different Features with
Consensus Graphs [19.130197923214123]
プライベートデータセットと分散データセットで効果的なグローバルモデルを学ぶことは、機械学習においてますます重要な課題になりつつある。
本稿では,局所モデルから局所表現を抽出し,それらをグローバル表現に組み込んで予測性能を向上させる特徴融合手法を提案する。
本稿では,これらの問題に対する解決策を提示し,電力網や交通網などの時系列データを用いた実世界の応用例を示す。
論文 参考訳（メタデータ） (2023-06-02T02:24:27Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳（メタデータ） (2023-05-24T03:32:03Z) - FedACK: Federated Adversarial Contrastive Knowledge Distillation for
Cross-Lingual and Cross-Model Social Bot Detection [22.979415040695557]
FedACKは、ソーシャルボット検出のための新しい敵対的対照的な知識蒸留フレームワークである。
グローバルなジェネレータは、グローバルなデータ分散の知識を抽出し、各クライアントのローカルモデルに蒸留するために使用される。
実験により、FedACKは精度、通信効率、特徴空間の整合性という点で最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-10T03:10:08Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - Multi-Level Branched Regularization for Federated Learning [46.771459325434535]
本稿では,各局所モデルにおける複数の補助的分岐を,複数の異なるレベルで局所的および大域的ワークをグラフトすることで構築する,新しいアーキテクチャ正規化手法を提案する。
従来の手法に比べて精度と効率の点で顕著な性能向上を示す。
論文 参考訳（メタデータ） (2022-07-14T13:59:26Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z)
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。