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
- 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) - FedModule: A Modular Federated Learning Framework [5.872098693249397]
フェデレートラーニング(FL)は、医療、金融、スマートシティなど、さまざまな分野で広く採用されている。
本稿では,フレキシブルかつFLな実験フレームワークであるFedModuleを紹介する。
FedModuleは"1つのコード、すべてのシナリオ"の原則に準拠し、FLプロセスを個々のコンポーネントに分割するモジュール設計を採用しています。
論文 参考訳（メタデータ） (2024-09-07T15:03:12Z) - 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) - 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)
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。