論文の概要: FederatedScope: A Comprehensive and Flexible Federated Learning Platform
via Message Passing
- arxiv url: http://arxiv.org/abs/2204.05011v1
- Date: Mon, 11 Apr 2022 11:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:13:56.926336
- Title: FederatedScope: A Comprehensive and Flexible Federated Learning Platform
via Message Passing
- Title(参考訳): FederatedScope: メッセージパッシングによる包括的で柔軟なフェデレート学習プラットフォーム
- Authors: Yuexiang Xie, Zhen Wang, Daoyuan Chen, Dawei Gao, Liuyi Yao, Weirui
Kuang, Yaliang Li, Bolin Ding, Jingren Zhou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 63.87056362712879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although remarkable progress has been made by the existing federated learning
(FL) platforms to provide fundamental functionalities for development, these FL
platforms cannot well satisfy burgeoning demands from rapidly growing FL tasks
in both academia and industry. To fill this gap, in this paper, we propose a
novel and comprehensive federated learning platform, named FederatedScope,
which is based on a message-oriented framework. Towards more handy and flexible
support for various FL tasks, FederatedScope frames an FL course into several
rounds of message passing among participants, and allows developers to
customize new types of exchanged messages and the corresponding handlers for
various FL applications. Compared to the procedural framework, the proposed
message-oriented framework is more flexible to express heterogeneous message
exchange and the rich behaviors of participants, and provides a unified view
for both simulation and deployment. Besides, we also include several functional
components in FederatedScope, such as personalization, auto-tuning, and privacy
protection, to satisfy the requirements of frontier studies in FL. We conduct a
series of experiments on the provided easy-to-use and comprehensive FL
benchmarks to validate the correctness and efficiency of FederatedScope. We
have released FederatedScope for users on
https://github.com/alibaba/FederatedScope to promote research and industrial
deployment of federated learning in a variety of real-world applications.
- Abstract(参考訳): 既存のFLプラットフォームが開発に基本的な機能を提供しているが、これらのFLプラットフォームは、学術と産業の両方において急速に成長するFLタスクの需要を十分に満たすことはできない。
このギャップを埋めるために,本稿では,メッセージ指向フレームワークを基盤としたフェデレートスコープという,新しい包括的統合学習プラットフォームを提案する。
様々なflタスクをより便利で柔軟なサポートのために、federatedscopeはflコースを参加者間で数ラウンドのメッセージパスにフレーム化し、開発者は新しいタイプの交換メッセージと対応する様々なflアプリケーションのハンドラをカスタマイズできる。
プロシージャフレームワークと比較して、提案するメッセージ指向フレームワークは、異種メッセージ交換と参加者のリッチな振る舞いを表現するのにより柔軟であり、シミュレーションとデプロイメントの両方の統一的なビューを提供する。
さらに、flにおけるフロンティア研究の要件を満たすために、パーソナライズ、自動チューニング、プライバシ保護など、フェデレーションスコープのいくつかの機能コンポーネントも含んでいます。
フェデレートスコープの正確性と効率性を検証するため,簡易かつ総合的なflベンチマークを用いた一連の実験を行った。
We has released FederatedScope for users on https://github.com/alibaba/FederatedScope to promote research and industrial deployment of federated learning in various real-world applications。
関連論文リスト
- A Survey on Efficient Federated Learning Methods for Foundation Model
Training [66.19763977571114]
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) - Towards Open Federated Learning Platforms: Survey and Vision from
Technical and Legal Perspectives [34.0620974123791]
従来のフェデレートラーニング(FL)は、サーバが支配する協調パラダイムに従っています。
私たちは、現在のFLフレームワークの設計を再考し、より一般的な概念であるOpen Federated Learning Platformに拡張することを提唱します。
論文 参考訳(メタデータ) (2023-07-05T09:30:14Z) - 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) - ModularFed: Leveraging Modularity in Federated Learning Frameworks [8.139264167572213]
本稿では,フェデレートラーニング(FL)実装の複雑さに対処する研究に焦点を当てたフレームワークを提案する。
このアーキテクチャでは、プロトコルはフレームワークのコンポーネントの設計を厳密に定義する青写真である。
我々のプロトコルはFLにおけるモジュラリティの実現を目的としており、サードパーティのプラグイン・アンド・プレイアーキテクチャと動的シミュレータをサポートしています。
論文 参考訳(メタデータ) (2022-10-31T10:21:19Z) - Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。
サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。
新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
論文 参考訳(メタデータ) (2022-09-30T17:59:27Z) - UniFed: All-In-One Federated Learning Platform to Unify Open-Source
Frameworks [53.20176108643942]
オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。
UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。
機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
論文 参考訳(メタデータ) (2022-07-21T05:03:04Z) - FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient
Package for Federated Graph Learning [65.48760613529033]
フェデレートグラフ学習(FGL)は、その特徴と要求のため、十分にサポートされていない。
まず、使い易いFGLパッケージを作成する際の課題について議論し、実装済みのFederatedScope-GNN(FS-G)を提示する。
我々は,FS-Gの有効性を広範囲な実験によって検証し,同時にコミュニティにとってのFGLに関する貴重な洞察を得る。
論文 参考訳(メタデータ) (2022-04-12T06:48:06Z) - FLUTE: A Scalable, Extensible Framework for High-Performance Federated
Learning Simulations [12.121967768185684]
FLUTE(Federated Learning Utilities and Tools for Experimentation)は、フェデレートラーニング研究とオフラインシミュレーションのための高性能なオープンソースプラットフォームである。
本稿では、FLUTEのアーキテクチャを説明し、任意のフェデレートされたモデリングスキームを実現する。
本稿では,テキスト予測と音声認識の一連の実験により,プラットフォームの有効性を実証する。
論文 参考訳(メタデータ) (2022-03-25T17:15:33Z) - EasyFL: A Low-code Federated Learning Platform For Dummies [21.984721627569783]
低コードフェデレーテッドラーニング(FL)プラットフォームであるEasyFLを初めて提案し、さまざまなレベルの専門知識を持つユーザーが、少ないコーディングでFLアプリケーションを実験およびプロトタイプできるようにします。
ほんの数行のコードで、EasyFLは実験とデプロイを加速するために、すぐに使える多くの機能を提供します。
私たちの実装は、EasyFLがバニラFLアプリケーションを構築するのにわずか3行のコードを必要とすることを示しています。
論文 参考訳(メタデータ) (2021-05-17T04:15:55Z)
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。