論文の概要: FLSys: Toward an Open Ecosystem for FederatedLearning Mobile Apps
- arxiv url: http://arxiv.org/abs/2111.09445v1
- Date: Wed, 17 Nov 2021 23:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-20 00:27:52.942903
- Title: FLSys: Toward an Open Ecosystem for FederatedLearning Mobile Apps
- Title(参考訳): FLSys:FederatedLearningモバイルアプリのためのオープンエコシステムを目指す
- Authors: Han Hu, Xiaopeng Jiang, Vijaya Datta Mayyuri, An Chen, Devu M. Shila,
Adriaan Larmuseau, Ruoming Jin, Cristian Borcea, NhatHai Phan
- Abstract要約: FLSysはモバイルアプリのディープラーニングモデルをサポートするモバイルクラウドフェデレーション学習システムである。
クラウド内で異なるFLアグリゲーションメソッドを持つ異なるDLモデルは、異なるアプリによってトレーニングされ、同時にアクセスすることができる。
FLSysは、サードパーティのアプリ開発者がFLモデルをトレーニングするための共通APIを提供する。
- 参考スコア(独自算出の注目度): 12.961954437378319
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents the design, implementation, and evaluation of FLSys, a
mobile-cloud federated learning (FL) system that supports deep learning models
for mobile apps. FLSys is a key component toward creating an open ecosystem of
FL models and apps that use these models. FLSys is designed to work with mobile
sensing data collected on smart phones, balance model performance with resource
consumption on the phones, tolerate phone communication failures, and achieve
scalability in the cloud. In FLSys, different DL models with different FL
aggregation methods in the cloud can be trained and accessed concurrently by
different apps. Furthermore, FLSys provides a common API for third-party app
developers to train FL models. FLSys is implemented in Android and AWS cloud.
We co-designed FLSys with a human activity recognition (HAR) in the wild FL
model. HAR sensing data was collected in two areas from the phones of 100+
college students during a five-month period. We implemented HAR-Wild, a CNN
model tailored to mobile devices, with a data augmentation mechanism to
mitigate the problem of non-Independent and Identically Distributed (non-IID)
data that affects FL model training in the wild. A sentiment analysis (SA)
model is used to demonstrate how FLSys effectively supports concurrent models,
and it uses a dataset with 46,000+ tweets from 436 users. We conducted
extensive experiments on Android phones and emulators showing that FLSys
achieves good model utility and practical system performance.
- Abstract(参考訳): 本稿では,モバイルアプリのディープラーニングモデルをサポートするモバイルクラウドフェデレーション学習(FL)システムであるFLSysの設計,実装,評価について述べる。
FLSysは、これらのモデルを使用するFLモデルとアプリのオープンエコシステムを構築するための重要なコンポーネントである。
FLSysは、スマートフォンで収集されたモバイルセンシングデータ、携帯電話でのリソース消費とモデルパフォーマンスのバランス、電話通信障害の許容、クラウドでのスケーラビリティを実現するように設計されている。
FLSysでは、異なるFLアグリゲーションメソッドを持つ異なるDLモデルをクラウドでトレーニングし、異なるアプリによって同時にアクセスすることができる。
さらに、FLSysは、サードパーティのアプリ開発者がFLモデルをトレーニングするための共通APIを提供する。
FLSysはAndroidとAWSクラウドで実装されている。
野生のFLモデルを用いてヒト活動認識(HAR)とFLSysを共同設計した。
harセンシングデータは5ヶ月間に100人以上の大学生の携帯電話から2つの領域で収集された。
我々は,モバイル機器に適したCNNモデルであるHAR-Wildを実装し,非独立分散(非IID)データの問題を軽減するためのデータ拡張機構を実装した。
感情分析(SA)モデルは、FLSysが並列モデルをどのように効果的にサポートするかを示すために使用され、436ユーザの46,000以上のツイートを持つデータセットを使用する。
FLSysが優れたモデルユーティリティと実用的なシステム性能を実現することを示すため,Android端末とエミュレータで広範囲に実験を行った。
関連論文リスト
- FLuID: Mitigating Stragglers in Federated Learning using Invariant
Dropout [1.8262547855491458]
Federated Learningは、機械学習モデルが個々のモバイルデバイス上でローカルにトレーニングし、共有サーバを介してモデルの更新を同期することを可能にする。
結果として、性能の低いストラグラーデバイスは、FLにおける全体的なトレーニング時間を規定することが多い。
Invariant Dropoutは,重み更新しきい値に基づいてサブモデルを抽出する手法である。
Invariant Dropout を用いた適応学習フレームワークであるFederated Learning を開発した。
論文 参考訳(メタデータ) (2023-07-05T19:53:38Z) - Enhancing Efficiency in Multidevice Federated Learning through Data Selection [11.67484476827617]
マルチデバイス環境におけるフェデレーション学習(FL)は、膨大な量のプライベートデータから学習する新たな機会を生み出す。
本稿では、デバイス上のデータ選択を制約されたデバイスに組み込むためのFLフレームワークを開発する。
我々のフレームワークは,実装戦略のないベースラインFLと比較して,19%の精度,58%のレイテンシを実現している。
論文 参考訳(メタデータ) (2022-11-08T11:39:17Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳(メタデータ) (2022-10-24T10:59:29Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Learnings from Federated Learning in the Real world [19.149989896466852]
実世界のデータに適用されるフェデレートラーニング(FL)は、いくつかの慣用性に悩まされることがある。
デバイスにまたがるデータは、大量のデータを持つ"重いデバイス"がいくつか存在する一方で、少数のデータポイントしか持たない"軽量ユーザ"が多数存在するように分散することができる。
FLを用いて学習した自然言語理解モデル(NLU)に対する,このような慣用句の影響を評価した。
論文 参考訳(メタデータ) (2022-02-08T15:21:31Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳(メタデータ) (2022-02-07T05:11:01Z) - Mobility-Aware Cluster Federated Learning in Hierarchical Wireless
Networks [81.83990083088345]
我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。
分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。
これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-20T10:46:58Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳(メタデータ) (2021-04-14T22:59:08Z) - FLaaS: Federated Learning as a Service [3.128267020893596]
我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。
概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。
100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
論文 参考訳(メタデータ) (2020-11-18T15:56:22Z) - FLaPS: Federated Learning and Privately Scaling [3.618133010429131]
フェデレートラーニング(Federated Learning, FL)とは、データを収集するデバイスにモデルを転送する分散学習プロセスである。
FLaPS(Federated Learning and Privately Scaling)アーキテクチャは,システムのセキュリティとプライバシだけでなく,スケーラビリティも向上する。
論文 参考訳(メタデータ) (2020-09-13T14:20:17Z) - Federated Learning With Quantized Global Model Updates [84.55126371346452]
モバイル端末がローカルデータセットを使用してグローバルモデルをトレーニングできるフェデレーション学習について検討する。
本稿では,大域的モデルと局所的モデル更新の両方を,送信前に量子化する損失FL(LFL)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-18T16:55:20Z)
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。