論文の概要: Federated Learning for Big Data: A Survey on Opportunities, Applications, and Future Directions
- arxiv url: http://arxiv.org/abs/2110.04160v3
- Date: Mon, 07 Jul 2025 15:45:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-11 14:32:07.479167
- 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フェデレーションラーニング - 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, Hailin Feng, Kai Fang, Sharnil Pandya, Madhusanka Liyanage, Wei Wang, Thanh Thi Nguyen,
- Abstract要約: フェデレートラーニング(FL)は、機械学習のサブフィールドとして現れる。
本稿では、ビッグデータ取得、ストレージ、ビッグデータ分析、さらなるプライバシー保護におけるFLの可能性についてレビューする。
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の可能性についても検討している。
- 参考スコア（独自算出の注目度）: 18.95670953718066
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the recent years, generation of data have escalated to extensive dimensions and big data has emerged as a propelling force in the development of various machine learning advances and internet-of-things (IoT) devices. In this regard, the analytical and learning tools that transport data from several sources to a central cloud for its processing, training, and storage enable realization of the potential of big data. Nevertheless, since the data may contain sensitive information like banking account information, government information, and personal information, these traditional techniques often raise serious privacy concerns. To overcome such challenges, Federated Learning (FL) emerges as a sub-field of machine learning that focuses on scenarios where several entities (commonly termed as clients) work together to train a model while maintaining the decentralisation of their data. Although enormous efforts have been channelized for such studies, there still exists a gap in the literature wherein an extensive review of FL in the realm of big data services remains unexplored. The present paper thus emphasizes on the use of FL in handling big data and related services which encompasses comprehensive review of the potential of FL in big data acquisition, storage, big data analytics and further privacy preservation. Subsequently, the potential of FL in big data applications, such as smart city, smart healthcare, smart transportation, smart grid, and social media are also explored. The paper also highlights various projects pertaining to FL-big data and discusses the associated challenges related to such implementations. This acts as a direction of further research encouraging the development of plausible solutions.
- Abstract（参考訳）: 近年、データ生成は広範囲に拡大し、さまざまな機械学習の進歩とIoT(Internet-of-Things)デバイスの開発において、ビッグデータが推進力として台頭している。
この点において、データ処理、トレーニング、ストレージのために複数のソースから中央クラウドにデータを転送する分析および学習ツールは、ビッグデータの可能性の実現を可能にします。
それでも、データには銀行口座情報や政府情報、個人情報などの機密情報が含まれている可能性があるため、これらの従来の技術は深刻なプライバシー上の懸念を引き起こすことが多い。
このような課題を克服するために、フェデレートラーニング(FL)は機械学習のサブフィールドとして登場し、複数のエンティティ(一般的にクライアントと呼ばれる)が協力してデータの分散性を維持しながらモデルをトレーニングするシナリオに焦点を当てている。
このような研究には多大な努力が注がれているが、ビッグデータサービス分野におけるFLの広範なレビューが未検討のままである文献にはまだギャップが残っている。
本稿では,ビッグデータの取得,ストレージ,ビッグデータ分析,さらにプライバシー保護などにおけるFLの可能性の包括的レビューを含む,ビッグデータや関連サービスを扱う上でのFLの利用を強調した。
その後、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の可能性についても検討した。
また,FL大容量データに関する様々なプロジェクトを取り上げ,その実装に関する課題について論じる。
これは、可算解の開発を奨励するさらなる研究の方向性として機能する。
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。