論文の概要: Federated Learning for Big Data: A Survey on Opportunities,
Applications, and Future Directions
- arxiv url: http://arxiv.org/abs/2110.04160v1
- Date: Fri, 8 Oct 2021 14:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 14:39:06.164225
- Title: Federated Learning for Big Data: A Survey on Opportunities,
Applications, and Future Directions
- Title（参考訳）: ビッグデータのための連合学習: 機会・応用・今後の方向性に関する調査
- Authors: Thippa Reddy Gadekallu, Quoc-Viet Pham, Thien Huynh-The, Sweta
Bhattacharya, Praveen Kumar Reddy Maddikunta, and Madhusanka Liyanage
- Abstract要約: 本稿では,ビッグデータサービスやアプリケーションにおけるフェデレーション学習の利用状況について調査する。
我々は、ビッグデータ取得、ビッグデータストレージ、ビッグデータ分析、ビッグデータプライバシ保護など、主要なビッグデータサービスにおけるFLの使用についてレビューする。
- 参考スコア（独自算出の注目度）: 5.124701758921822
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Big data has remarkably evolved over the last few years to realize an
enormous volume of data generated from newly emerging services and applications
and a massive number of Internet-of-Things (IoT) devices. The potential of big
data can be realized via analytic and learning techniques, in which the data
from various sources is transferred to a central cloud for central storage,
processing, and training. However, this conventional approach faces critical
issues in terms of data privacy as the data may include sensitive data such as
personal information, governments, banking accounts. To overcome this
challenge, federated learning (FL) appeared to be a promising learning
technique. However, a gap exists in the literature that a comprehensive survey
on FL for big data services and applications is yet to be conducted. In this
article, we present a survey on the use of FL for big data services and
applications, aiming to provide general readers with an overview of FL, big
data, and the motivations behind the use of FL for big data. In particular, we
extensively review the use of FL for key big data services, including big data
acquisition, big data storage, big data analytics, and big data privacy
preservation. Subsequently, we review the potential of FL for big data
applications, such as smart city, smart healthcare, smart transportation, smart
grid, and social media. Further, we summarize a number of important projects on
FL-big data and discuss key challenges of this interesting topic along with
several promising solutions and directions.
- Abstract（参考訳）: ビッグデータはここ数年で著しく進化し、新たに登場したサービスやアプリケーションから生成される膨大な量のデータと、膨大な数のIoTデバイスを実現している。
ビッグデータのポテンシャルは、分析と学習のテクニックによって実現され、さまざまなソースからのデータを中央のクラウドに移して、中央のストレージ、処理、トレーニングを行う。
しかし、この手法は個人情報、政府、銀行口座などの機密データを含む可能性があるため、データのプライバシーの観点から重要な問題に直面している。
この課題を克服するために、連合学習(FL)は有望な学習技術であるように見える。
しかし、ビッグデータサービスやアプリケーションに関するFLに関する総合的な調査はまだ行われていないという文献にはギャップがある。
本稿では、ビッグデータサービスおよびアプリケーションにおけるFLの利用に関する調査を行い、FLの概要、ビッグデータ、およびビッグデータにおけるFLの使用の背景にあるモチベーションを一般読者に提供することを目的とする。
特に、ビッグデータ取得、ビッグデータストレージ、ビッグデータ分析、ビッグデータプライバシ保護など、主要なビッグデータサービスにおけるFLの使用について、広範囲にわたってレビューしています。
続いて、スマートシティ、スマートヘルスケア、スマートトランスポート、スマートグリッド、ソーシャルメディアなど、ビッグデータアプリケーションにおけるFLの可能性についてレビューする。
さらに、fl-big dataに関する重要なプロジェクトをいくつかまとめ、この興味深いトピックの重要な課題と、有望なソリューションと方向性について論じる。
関連論文リスト
- Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。
ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
論文 参考訳（メタデータ） (2024-09-24T04:14:33Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - 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) - Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。
ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。
このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
論文 参考訳（メタデータ） (2023-10-08T19:54:26Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - Big Data and Analytics Implementation in Tertiary Institutions to
Predict Students Performance in Nigeria [0.0]
Big Dataという言葉は、従来のデータ処理技術では扱えない大量のデータを指すために作られた。
本稿では,教育機関に関係のあるビッグデータの特徴について考察する。
学習機関におけるビッグデータと分析の導入に影響を与える要因について検討する。
論文 参考訳（メタデータ） (2022-07-29T13:52:24Z) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳（メタデータ） (2022-07-20T17:47:54Z) - Towards Federated Long-Tailed Learning [76.50892783088702]
データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。
最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。
本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
論文 参考訳（メタデータ） (2022-06-30T02:34:22Z) - "If we didn't solve small data in the past, how can we solve Big Data
today?" [0.0]
私たちは、"小さい"データや"大きい"データといった用語を調査し、それらの属性を理解し、価値を付加する方法について検討することを目指しています。
この研究によると、どんなに小さなデータが使われたにせよ、企業は依然として正しい技術とビジネスビジョンでビッグデータを活用できる。
論文 参考訳（メタデータ） (2021-11-08T16:31:01Z) - DID-eFed: Facilitating Federated Learning as a Service with
Decentralized Identities [0.11470070927586015]
フェデレートラーニング(FL)は、複数のパーティ間で共有される高性能モデルを構築するための機能的なソリューションとして現れます。
本稿では,分散ID(DID)とスマートコントラクトによってFLが促進されるDID-eFedを提案する。
DID-eFedが病院や研究機関のFLを可能にするシナリオについて述べる。
論文 参考訳（メタデータ） (2021-05-18T16:55:34Z) - 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)
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。