論文の概要: FedCV: A Federated Learning Framework for Diverse Computer Vision Tasks

• arxiv url: http://arxiv.org/abs/2111.11066v1
• Date: Mon, 22 Nov 2021 09:26:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 23:06:41.215612
• Title: FedCV: A Federated Learning Framework for Diverse Computer Vision Tasks
• Title（参考訳）: fedcv:多様なコンピュータビジョンタスクのための連合学習フレームワーク
• Authors: Chaoyang He, Alay Dilipbhai Shah, Zhenheng Tang, Di Fan1Adarshan Naiynar Sivashunmugam, Keerti Bhogaraju, Mita Shimpi, Li Shen, Xiaowen Chu, Mahdi Soltanolkotabi, Salman Avestimehr
• Abstract要約: Federated Learning(FL)は、エッジデバイス上の分散データセットからグローバルあるいはパーソナライズされたモデルを学ぶことのできる、分散学習パラダイムである。 FLは、オブジェクト検出やイメージセグメンテーションといった高度なコンピュータビジョンタスクにおいて、効果的に実証されることはめったにない。 非I.D.ベンチマークデータセット、モデル、および様々な参照FLアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 38.012182901565616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is a distributed learning paradigm that can learn a global or personalized model from decentralized datasets on edge devices. However, in the computer vision domain, model performance in FL is far behind centralized training due to the lack of exploration in diverse tasks with a unified FL framework. FL has rarely been demonstrated effectively in advanced computer vision tasks such as object detection and image segmentation. To bridge the gap and facilitate the development of FL for computer vision tasks, in this work, we propose a federated learning library and benchmarking framework, named FedCV, to evaluate FL on the three most representative computer vision tasks: image classification, image segmentation, and object detection. We provide non-I.I.D. benchmarking datasets, models, and various reference FL algorithms. Our benchmark study suggests that there are multiple challenges that deserve future exploration: centralized training tricks may not be directly applied to FL; the non-I.I.D. dataset actually downgrades the model accuracy to some degree in different tasks; improving the system efficiency of federated training is challenging given the huge number of parameters and the per-client memory cost. We believe that such a library and benchmark, along with comparable evaluation settings, is necessary to make meaningful progress in FL on computer vision tasks. FedCV is publicly available: https://github.com/FedML-AI/FedCV.
• Abstract（参考訳）: Federated Learning(FL)は、エッジデバイス上の分散データセットからグローバルあるいはパーソナライズされたモデルを学ぶことのできる、分散学習パラダイムである。 しかし、コンピュータビジョン領域では、FLフレームワークを統一した多様なタスクにおける探索の欠如により、FLのモデル性能は集中的なトレーニングよりもはるかに遅れている。 FLはオブジェクト検出やイメージセグメンテーションといった高度なコンピュータビジョンタスクにおいて効果的に実証されることはめったにない。 本研究では,このギャップを解消し,コンピュータビジョンタスクのためのflの開発を容易にするために,federated learning library と fedcv というベンチマークフレームワークを提案し,画像分類,画像分割,オブジェクト検出という,最も代表的な3つのコンピュータビジョンタスクについてflを評価する。 非I.D.ベンチマークデータセット、モデル、および様々な参照FLアルゴリズムを提供する。 集中トレーニングのトリックはFLに直接適用されない可能性があり、非I.D.データセットは実際には、さまざまなタスクにおいて、モデルの精度をある程度ダウングレードする。 このようなライブラリとベンチマークは、比較評価設定とともに、コンピュータビジョンタスクでflを有意義に進めるために必要であると考えています。 FedCVは、https://github.com/FedML-AI/FedCV.comで公開されている。

関連論文リスト

• COALA: A Practical and Vision-Centric Federated Learning Platform [41.70257072407389]
  我々は、ビジョン中心のフェデレートラーニング(FL)プラットフォームであるCOALAと、実践的なFLシナリオのためのベンチマークスイートを提示する。 タスクレベルでは、COALAは単純な分類から、オブジェクト検出、セグメンテーション、ポーズ推定などを含む15のコンピュータビジョンタスクまでサポートを拡張している。 データレベルでは、COALAは監督FLを超え、半監督FLと教師なしFLの両方をベンチマークする。 モデルレベルでは、COALAはFLを異なるクライアントの分割モデルと異なるモデルでベンチマークする。
  論文  参考訳（メタデータ） (2024-07-23T15:14:39Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification [2.725507329935916]
  フェデレートラーニング(Federated Learning, FL)は、複数のディープラーニングモデルのコラボレーションにより、クライアント上のデータにアクセスせずに、分散化されたデータアーカイブ(クライアント)から学習することができる。 FLは、分散画像アーカイブからの知識発見に十分な機会を提供するが、リモートセンシング(RS)ではめったに考えられない。 本稿では,RS画像分類問題に対する最先端FLアルゴリズムの比較検討を行う。
  論文  参考訳（メタデータ） (2023-11-10T15:58:53Z)
• Handling Data Heterogeneity via Architectural Design for Federated Visual Recognition [16.50490537786593]
  4つのFLデータセットを用いて、5つの異なるアーキテクチャファミリからの19の視覚認識モデルについて検討する。 本研究は,現実的なシナリオにおけるコンピュータビジョンタスクにおけるアーキテクチャ設計の重要性を強調した。
  論文  参考訳（メタデータ） (2023-10-23T17:59:16Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• 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)
• FedScale: Benchmarking Model and System Performance of Federated Learning [4.1617240682257925]
  FedScaleは、連邦学習(FL)研究のための、挑戦的で現実的なベンチマークデータセットのセットである。 FedScaleはオープンソースで、寛容なライセンスを持ち、積極的にメンテナンスされている。
  論文  参考訳（メタデータ） (2021-05-24T15:55:27Z)
• FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
  フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。 既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。 FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
  論文  参考訳（メタデータ） (2020-07-27T13:02:08Z)

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。