Fugu-MT 論文翻訳(概要): Communication Efficiency in Federated Learning: Achievements and Challenges

論文の概要: Communication Efficiency in Federated Learning: Achievements and Challenges

arxiv url: http://arxiv.org/abs/2107.10996v1
Date: Fri, 23 Jul 2021 02:13:11 GMT
ステータス: 処理完了
システム内更新日: 2021-07-26 13:51:03.135776
Title: Communication Efficiency in Federated Learning: Achievements and Challenges
Title（参考訳）: フェデレーションラーニングにおけるコミュニケーション効率:達成と課題
Authors: Osama Shahid, Seyedamin Pouriyeh, Reza M. Parizi, Quan Z. Sheng, Gautam Srivastava, Liang Zhao
Abstract要約: フェデレートラーニング(FL)は、機械学習タスクを分散的に実行することで知られている。本稿では,FL設定における通信制約を克服する研究について述べる。
参考スコア（独自算出の注目度）: 20.280125296921348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated Learning (FL) is known to perform Machine Learning tasks in a distributed manner. Over the years, this has become an emerging technology especially with various data protection and privacy policies being imposed FL allows performing machine learning tasks whilst adhering to these challenges. As with the emerging of any new technology, there are going to be challenges and benefits. A challenge that exists in FL is the communication costs, as FL takes place in a distributed environment where devices connected over the network have to constantly share their updates this can create a communication bottleneck. In this paper, we present a survey of the research that is performed to overcome the communication constraints in an FL setting.
Abstract（参考訳）: フェデレートラーニング(FL)は、機械学習タスクを分散的に実行することで知られている。特にさまざまなデータ保護とプライバシーポリシーが課されているFLは、これらの課題に固執しながら、機械学習タスクの実行を可能にしている。新しいテクノロジーが出現するのと同じように、課題とメリットがあるでしょう。 FLに存在する課題は通信コストである。FLは、ネットワークに接続されたデバイスが常にアップデートを共有する必要がある分散環境で発生するため、通信ボトルネックが発生する。本稿では,fl設定における通信制約を克服する目的で実施する調査について述べる。

関連論文リスト

Exploring the Practicality of Federated Learning: A Survey Towards the Communication Perspective [1.088537320059347]
Federated Learning(FL)は、プライバシ保護、分散機械学習の大幅な進歩を提供する、有望なパラダイムである。しかし、FLシステムの実践的な展開は、通信オーバーヘッドという大きなボトルネックに直面している。本研究は,通信効率FLにおける様々な戦略と進歩について検討する。
論文参考訳（メタデータ） (2024-05-30T19:21:33Z)
Federated Learning with New Knowledge: Fundamentals, Advances, and Futures [69.8830772538421]
本稿では,フェデレートラーニング(FL)における新しい知識の源泉を体系的に定義する。本研究は,新たな知識の到来時期と形態が定式化過程に及ぼす影響について検討する。シナリオの設定,効率,セキュリティなど,さまざまな要因を考慮し,FLの今後の方向性を新たな知識で論じる。
論文参考訳（メタデータ） (2024-02-03T21:29:31Z)
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)
The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文参考訳（メタデータ） (2023-10-06T04:13:10Z)
Federated Learning in Intelligent Transportation Systems: Recent Applications and Open Problems [30.511443961960147]
分散機械学習技術として、フェデレーション・ラーニング(FL)はその優れたプライバシー保護特性のために広く注目を集めている。 FL for ITSの最近の展開を包括的に調査する。我々は、さまざまなシナリオにおける既存のFLのデプロイメントをレビューし、オブジェクト認識、トラフィック管理、サービス提供シナリオにおける特定の潜在的な問題について議論する。
論文参考訳（メタデータ） (2023-09-20T03:39:30Z)
Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges [14.008159759350264]
FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。 FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
論文参考訳（メタデータ） (2021-11-14T17:13:34Z)
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。無線システム上での高速応答および高精度FLスキームの検証が重要である。提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文参考訳（メタデータ） (2021-10-22T13:25:57Z)
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)
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)
Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。これにより、FLを大規模に実装する際の通信コストの課題が提起される。
論文参考訳（メタデータ） (2020-04-06T15:31:54Z)
Federated Learning for Resource-Constrained IoT Devices: Panoramas and State-of-the-art [12.129978716326676]
我々は最近実装されたフェデレートラーニングの現実的な応用をいくつか紹介する。大規模ネットワークでは、様々な計算資源を持つクライアントが存在するかもしれない。 FL領域における資源制約装置の今後の方向性を強調した。
論文参考訳（メタデータ） (2020-02-25T01:03:29Z)

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。