Fugu-MT 論文翻訳(概要): WebFed: Cross-platform Federated Learning Framework Based on Web Browser with Local Differential Privacy

論文の概要: WebFed: Cross-platform Federated Learning Framework Based on Web Browser with Local Differential Privacy

arxiv url: http://arxiv.org/abs/2110.11646v1
Date: Fri, 22 Oct 2021 08:18:41 GMT
ステータス: 処理完了
システム内更新日: 2021-10-25 15:28:25.318444
Title: WebFed: Cross-platform Federated Learning Framework Based on Web Browser with Local Differential Privacy
Title（参考訳）: WebFed: ローカル差分プライバシーを備えたWebブラウザに基づくクロスプラットフォームフェデレーション学習フレームワーク
Authors: Zhuotao Lian, Qinglin Yang, Qingkui Zeng, Chunhua Su
Abstract要約: WebFedはブラウザの機能を利用する新しいブラウザベースのフェデレーション学習フレームワークである。提案するWebFedフレームワークの性能を評価するため,異種デバイスを用いた実験を行った。
参考スコア（独自算出の注目度）: 0.7837881800517109
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For data isolated islands and privacy issues, federated learning has been extensively invoking much interest since it allows clients to collaborate on training a global model using their local data without sharing any with a third party. However, the existing federated learning frameworks always need sophisticated condition configurations (e.g., sophisticated driver configuration of standalone graphics card like NVIDIA, compile environment) that bring much inconvenience for large-scale development and deployment. To facilitate the deployment of federated learning and the implementation of related applications, we innovatively propose WebFed, a novel browser-based federated learning framework that takes advantage of the browser's features (e.g., Cross-platform, JavaScript Programming Features) and enhances the privacy protection via local differential privacy mechanism. Finally, We conduct experiments on heterogeneous devices to evaluate the performance of the proposed WebFed framework.
Abstract（参考訳）: データ分離された島やプライバシーの問題に対して、フェデレートドラーニングは、クライアントがローカルデータを使ってグローバルモデルのトレーニングを、サードパーティと共有することなく行えることから、大きな関心を呼び起こしている。しかし、既存の連合学習フレームワークは常に高度な条件設定(例えばnvidiaのようなスタンドアロンのグラフィックカードの高度なドライバ構成、コンパイル環境)を必要としており、大規模な開発やデプロイメントには不便である。フェデレーション学習の展開と関連アプリケーションの実装を容易にするために,ブラウザの機能(クロスプラットフォーム,javascriptプログラミング機能など)を活用した,ブラウザベースの新たなフェデレーション学習フレームワークであるwebfedを提案し,ローカルディファレンシャルプライバシ機構によるプライバシ保護を強化する。最後に、提案するWebFedフレームワークの性能を評価するため、異種デバイスの実験を行う。

関連論文リスト

FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity [82.5448598805968]
我々は、フェデレートされたパーソナライズされたプライバシフレンドリーなネットワークプルーニングを表現する、効果的で適応可能なフェデレーションフレームワークであるFedP3を提案する。我々は、FedP3とその局所微分プライベート変種DP-FedP3の理論解釈を提供し、それらの効率を理論的に検証する。
論文参考訳（メタデータ） (2024-04-15T14:14:05Z)
RAIFLE: Reconstruction Attacks on Interaction-based Federated Learning with Adversarial Data Manipulation [14.394939014120451]
利用者は、中央サーバでプライベートなインタラクションを再構築するリスクが高くなる。我々は、新しい最適化ベースの攻撃フレームワークであるRAIFLEを紹介する。本実験は, RAIFLEが既存の再建攻撃よりもはるかに強力であることを示すものである。
論文参考訳（メタデータ） (2023-10-29T21:47:24Z)
Serverless Federated Learning with flwr-serverless [0.0]
私たちは、同期と非同期のフェデレーション学習の両方を可能にする、Flower Pythonパッケージのラッパーであるtextttflwr-serverlessを導入しました。当社のフェデレート学習アプローチでは,中央サーバを使わずにプロセスを実行することが可能で,アプリケーションのドメインと利用のアクセシビリティが向上する。
論文参考訳（メタデータ） (2023-10-23T19:49:59Z)
Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
論文参考訳（メタデータ） (2023-08-20T04:41:01Z)
Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文参考訳（メタデータ） (2023-03-01T06:16:15Z)
Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-11-20T10:49:22Z)
Multimodal Federated Learning [9.081857621783811]
IoTデバイスを備えたスマートホームなど、多くのアプリケーションでは、クライアント上のローカルデータは、さまざまなモダリティから生成される。既存のフェデレーション学習システムは、単一のモダリティからのローカルデータのみを扱うため、システムのスケーラビリティが制限される。本稿では,クライアント上で異なるローカルデータモダリティから共有あるいは相関表現を抽出するよう,オートエンコーダを訓練するマルチモーダル・セミ教師付き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） (2021-09-10T12:32:46Z)
FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
論文参考訳（メタデータ） (2021-07-01T06:14:51Z)
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)
Federated Residual Learning [53.77128418049985]
クライアントはローカルモデルを個別に訓練し、サーバ側で共有するモデルと共同で予測を行う。この新しいフェデレートされた学習フレームワークを使用することで、統合トレーニングが提供するパフォーマンス上のメリットをすべて享受しながら、中央共有モデルの複雑さを最小限にすることができる。
論文参考訳（メタデータ） (2020-03-28T19:55:24Z)
PrivacyFL: A simulator for privacy-preserving and secure federated learning [2.578242050187029]
フェデレートラーニング(Federated Learning)とは、分散クライアントが共同で機械学習モデルを学ぶことを可能にするテクニックである。 PrivacyFLはプライバシ保護とセキュアなフェデレーション学習シミュレータである。
論文参考訳（メタデータ） (2020-02-19T20:16:13Z)

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。