論文の概要: OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework

• arxiv url: http://arxiv.org/abs/2109.07852v3
• Date: Mon, 3 Apr 2023 06:17:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 01:51:07.099255
• Title: OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework
• Title（参考訳）: OpenFed: 包括的でVersatileなオープンソースフェデレーションラーニングフレームワーク
• Authors: Dengsheng Chen, Vince Tan, Zhilin Lu and Jie Hu
• Abstract要約: エンド・ツー・エンドのフェデレート・ラーニングのためのオープンソース・ソフトウェア・フレームワークであるOpenFedを提案する。 研究者にとって、OpenFedは、新しいメソッドを簡単に実装し、十分に評価できるフレームワークを提供する。 下流のユーザのために、OpenFedはFederated Learningをプラグインして、異なるテーマ・マッターコンテキストでプレイすることを可能にする。
• 参考スコア（独自算出の注目度）: 5.893286029670115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent developments in Artificial Intelligence techniques have enabled their successful application across a spectrum of commercial and industrial settings. However, these techniques require large volumes of data to be aggregated in a centralized manner, forestalling their applicability to scenarios wherein the data is sensitive or the cost of data transmission is prohibitive. Federated Learning alleviates these problems by decentralizing model training, thereby removing the need for data transfer and aggregation. To advance the adoption of Federated Learning, more research and development needs to be conducted to address some important open questions. In this work, we propose OpenFed, an open-source software framework for end-to-end Federated Learning. OpenFed reduces the barrier to entry for both researchers and downstream users of Federated Learning by the targeted removal of existing pain points. For researchers, OpenFed provides a framework wherein new methods can be easily implemented and fairly evaluated against an extensive suite of benchmarks. For downstream users, OpenFed allows Federated Learning to be plugged and play within different subject-matter contexts, removing the need for deep expertise in Federated Learning.
• Abstract（参考訳）: 近年の人工知能技術の発展により、商業的・工業的な場面で応用が成功している。 しかし、これらの技術は大量のデータを集中的に集約し、データの機密性やデータ転送コストが禁じられるシナリオに適用性を高める必要がある。 フェデレーション学習は、モデルトレーニングの分散化によってこれらの問題を緩和し、データ転送と集約の必要性をなくす。 連合学習の採用を進めるためには、いくつかの重要なオープン問題に対処するために、さらなる研究と開発が必要である。 本研究では,エンドツーエンドのフェデレート学習のためのオープンソースソフトウェアフレームワークであるOpenFedを提案する。 OpenFedは、既存の痛点を標的に除去することで、フェデレートラーニングの研究者と下流ユーザーの両方の参入障壁を減らす。 研究者にとって、OpenFedは、広範なベンチマークスイートに対して、新しいメソッドを簡単に実装し、かなり評価できるフレームワークを提供する。 openfedは,ダウンストリームユーザに対して,さまざまなサブジェクトマッターコンテキスト内でフェデレーション学習をプラグインしてプレイ可能にすることで,フェデレーション学習における深い専門知識の必要性をなくす。

関連論文リスト

• Federated Learning in Chemical Engineering: A Tutorial on a Framework for Privacy-Preserving Collaboration Across Distributed Data Sources [0.0]
  この研究は、化学工学のコミュニティに、この分野へのアクセシビリティな導入を提供することを目的としている。 製造最適化、マルチモーダルデータ統合、薬物発見といったタスクにおけるフェデレートラーニングの適用について検討する。 チュートリアルは、$textttFlower$や$texttTensorFlow Federated$といった主要なフレームワークを使用して構築され、FLを採用するための適切なツールを化学技術者に提供するように設計されている。
  論文  参考訳（メタデータ） (2024-11-23T13:16:06Z)
• OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models [61.14336781917986]
  大規模言語モデル(LLM)の推論能力を高めるためのオープンソースのフレームワークであるOpenRを紹介する。 OpenRは、データ取得、強化学習トレーニング、非自己回帰デコーディングを凝集性ソフトウェアプラットフォームに統合する。 私たちの研究は、OpenAIのo1モデルのコア技術と強化学習を探求する、オープンソースのフレームワークを初めて提供するものです。
  論文  参考訳（メタデータ） (2024-10-12T23:42:16Z)
• Privacy-Enhancing Collaborative Information Sharing through Federated Learning -- A Case of the Insurance Industry [1.8092553911119764]
  このレポートは、複数の保険業界データセットにまたがる単一のモデルを学ぶために、フェデレートラーニング(FL)の価値を活用する利点を実証している。 FLは、プライバシの懸念によって引き起こされる、データボリュームの制限とデータの多様性の2つに対処する。 FLの各ラウンドにおいて、コラボレータはローカルなプライベートデータを使用してモデルの改善を計算し、これらの洞察を組み合わせてグローバルなモデルを更新する。
  論文  参考訳（メタデータ） (2024-02-22T21:46:24Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• A Survey of Federated Unlearning: A Taxonomy, Challenges and Future Directions [71.16718184611673]
  プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。 選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。 Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• When Decentralized Optimization Meets Federated Learning [41.58479981773202]
  フェデレーション学習は、分散データから知識を抽出するための新しい学習パラダイムである。 既存のフェデレートされた学習アプローチのほとんどは、単一ポイントの障害に対して脆弱な集中的な設定に集中しています。 この問題に対処する別の戦略は、分散化された通信トポロジである。
  論文  参考訳（メタデータ） (2023-06-05T03:51:14Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
  実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。 オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。 OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
  論文  参考訳（メタデータ） (2021-04-07T06:19:24Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)
• IBM Federated Learning: an Enterprise Framework White Paper V0.1 [28.21579297214125]
  Federated Learning(FL)は、トレーニングデータを単一の場所で集中化せずに機械学習を実行するアプローチである。 このフレームワークは、最も一般的な機械学習ライブラリに対する従来のアプローチと同様に、Deep Neural Networksにも適用される。
  論文  参考訳（メタデータ） (2020-07-22T05:32:00Z)

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。