Fugu-MT 論文翻訳(概要): Federated Learning Challenges and Opportunities: An Outlook

論文の概要: Federated Learning Challenges and Opportunities: An Outlook

arxiv url: http://arxiv.org/abs/2202.00807v1
Date: Tue, 1 Feb 2022 23:32:21 GMT
ステータス: 処理完了
システム内更新日: 2022-02-03 14:25:09.771081
Title: Federated Learning Challenges and Opportunities: An Outlook
Title（参考訳）: 連合学習の課題と機会--展望
Authors: Jie Ding, Eric Tramel, Anit Kumar Sahu, Shuang Wu, Salman Avestimehr, Tao Zhang
Abstract要約: エッジデバイスのリソースを活用するための有望なフレームワークとして、フェデレートラーニング(FL)が開発されている。本稿では,FLの5つの方向性に分類したFL開発の展望について述べる。
参考スコア（独自算出の注目度）: 31.774995877770333
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) has been developed as a promising framework to leverage the resources of edge devices, enhance customers' privacy, comply with regulations, and reduce development costs. Although many methods and applications have been developed for FL, several critical challenges for practical FL systems remain unaddressed. This paper provides an outlook on FL development, categorized into five emerging directions of FL, namely algorithm foundation, personalization, hardware and security constraints, lifelong learning, and nonstandard data. Our unique perspectives are backed by practical observations from large-scale federated systems for edge devices.
Abstract（参考訳）: フェデレートラーニング(FL)は、エッジデバイスのリソースを活用し、顧客のプライバシを高め、規制を遵守し、開発コストを削減するための有望なフレームワークとして開発されている。 FLのための多くの手法や応用が開発されているが、実用FLシステムのいくつかの重要な課題は未解決のままである。本稿では,fl開発の展望を,アルゴリズム基盤,パーソナライゼーション,ハードウェアとセキュリティの制約,生涯学習,非標準データという,flの新しい5つの方向に分類した。私たちのユニークな視点は、エッジデバイスのための大規模フェデレーションシステムの実践的な観察によって裏付けられています。

関連論文リスト

Federated Learning in Practice: Reflections and Projections [17.445826363802997]
Federated Learning(FL)は、複数のエンティティがローカルデータを交換することなく、共同で共有モデルを学ぶことができる機械学習技術である。 Google、Apple、Metaといった組織によるプロダクションシステムは、FLの現実的な適用性を実証しています。我々は、厳密な定義よりもプライバシー原則を優先する再定義されたFLフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-11T15:10:38Z)
Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文参考訳（メタデータ） (2024-09-17T22:20:26Z)
FLEX: FLEXible Federated Learning Framework [6.112199274064954]
本稿ではFLEX(FLEXible Federated Learning Framework)について紹介する。データ配布、プライバシパラメータ、通信戦略のカスタマイズ可能な機能を提供することで、FLEXは研究者に新しいFLテクニックの革新と開発を許可する。
論文参考訳（メタデータ） (2024-04-09T08:51:05Z)
Federated Learning with New Knowledge: Fundamentals, Advances, and Futures [69.8830772538421]
本稿では,フェデレートラーニング(FL)における新しい知識の源泉を体系的に定義する。本研究は,新たな知識の到来時期と形態が定式化過程に及ぼす影響について検討する。シナリオの設定,効率,セキュリティなど,さまざまな要因を考慮し,FLの今後の方向性を新たな知識で論じる。
論文参考訳（メタデータ） (2024-02-03T21:29:31Z)
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 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)
An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity [2.055204980188575]
Federated Learning(FL)は、単一のサーバと複数のクライアントがクライアントからデータを移動することなく、協調してMLモデルを構築する分散アプローチである。本研究では,IoTとエッジデバイス(IoT-Edgeデバイスと呼ばれる)の大規模ネットワーク上で,FLの実環境特性を示す大規模な実験を系統的に実施する。
論文参考訳（メタデータ） (2023-05-31T13:16:07Z)
FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
論文参考訳（メタデータ） (2023-03-23T15:37:17Z)
A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
論文参考訳（メタデータ） (2023-02-21T12:52:12Z)
FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
論文参考訳（メタデータ） (2022-04-11T11:24:21Z)
Vertical Federated Learning: Challenges, Methodologies and Experiments [34.4865409422585]
垂直学習(VFL)は、異なるクライアントからサブモデルを受け入れることで、ハイパーMLモデルを構築することができる。本稿では,VFLにおける課題を効果的に解決し,実生活データセット上で実験を行う。
論文参考訳（メタデータ） (2022-02-09T06:56:41Z)

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。