論文の概要: Addressing modern and practical challenges in machine learning: A survey
of online federated and transfer learning
- arxiv url: http://arxiv.org/abs/2202.03070v1
- Date: Mon, 7 Feb 2022 11:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 16:58:28.945845
- Title: Addressing modern and practical challenges in machine learning: A survey
of online federated and transfer learning
- Title（参考訳）: 機械学習の現代的かつ実用的な課題への取り組み--オンラインフェデレート・トランスファー学習の実態調査
- Authors: Shuang Dai, Fanlin Meng
- Abstract要約: オンライントランスファーラーニング(OTL)とオンラインフェデレーションラーニング(OFL)は、データサイロ、ストリーミングデータ、データセキュリティといった現代の機械学習課題を克服するための2つの協調パラダイムである。
本調査は、オンライン・フェデレーションとトランスファー学習の理解を深めるため、主要な進化経路を通じてOFLとOTLを調査した。
- 参考スコア（独自算出の注目度）: 2.132096006921048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online federated learning (OFL) and online transfer learning (OTL) are two
collaborative paradigms for overcoming modern machine learning challenges such
as data silos, streaming data, and data security. This survey explored OFL and
OTL throughout their major evolutionary routes to enhance understanding of
online federated and transfer learning. Besides, practical aspects of popular
datasets and cutting-edge applications for online federated and transfer
learning are highlighted in this work. Furthermore, this survey provides
insight into potential future research areas and aims to serve as a resource
for professionals developing online federated and transfer learning frameworks.
- Abstract（参考訳）: オンラインフェデレーション学習(ofl)とオンライン転送学習(otl)は、データサイロ、ストリーミングデータ、データセキュリティといった現代の機械学習の課題を克服するための2つのコラボレーティブパラダイムである。
この調査は、オンラインフェデレート・トランスファー学習の理解を深めるために、oflとotlを主要な進化経路を通して調査した。
また、一般的なデータセットやオンラインフェデレートおよび転送学習のための最先端アプリケーションの実践的側面が本研究で強調されている。
さらに、この調査は将来の研究分野に関する洞察を提供し、オンラインフェデレート・トランスファー学習フレームワークを開発するプロフェッショナルのリソースとして機能することを目的としている。
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) - A Retrospective of the Tutorial on Opportunities and Challenges of Online Deep Learning [10.886568704759657]
我々は,ECML PKDD 2023で開催されるオンライン深層学習の機会と課題」と題したチュートリアルを振り返る。
本稿では,ニューラルネットワークをオンライン学習環境に適用する上での潜在的な落とし穴についても概説する。
論文 参考訳（メタデータ） (2024-05-27T14:40:03Z) - 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) - A Set of Essentials for Online Learning : CSE-SET [0.0]
本研究は,オンライン学習を効果的に行うための重要な要素の集合を詳述する。
この研究は、学生や他の利害関係者がオンライン学習に参加する動機となる一連の要因を列挙している。
論文 参考訳（メタデータ） (2023-03-26T04:33:52Z) - 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) - Federated Learning: Balancing the Thin Line Between Data Intelligence
and Privacy [0.0]
フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。
本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。
フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
論文 参考訳（メタデータ） (2022-04-22T23:39:16Z) - Deep Transfer Learning: A Novel Collaborative Learning Model for
Cyberattack Detection Systems in IoT Networks [17.071452978622123]
フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。
FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。
このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
論文 参考訳（メタデータ） (2021-12-02T05:26:29Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。
近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。
転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
論文 参考訳（メタデータ） (2020-09-16T18:38:54Z)
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。