論文の概要: A Decision Model for Federated Learning Architecture Pattern Selection
- arxiv url: http://arxiv.org/abs/2204.13291v1
- Date: Thu, 28 Apr 2022 05:07:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 14:50:52.291491
- Title: A Decision Model for Federated Learning Architecture Pattern Selection
- Title（参考訳）: フェデレーション学習型アーキテクチャパターン選択のための決定モデル
- Authors: Sin Kit Lo, Qinghua Lu, Hye-Young Paik, Liming Zhu
- Abstract要約: 我々は,フェデレートラーニングアーキテクチャ設計の知識に乏しい設計者や建築家を支援するための一連の意思決定モデルを提案する。
各決定モデルは、フェデレートされた学習システムの機能的および非機能的要件を一連のパターンにマッピングする。
- 参考スコア（独自算出の注目度）: 7.468413169676602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning is growing fast in both academia and industry to resolve
data hungriness and privacy issues in machine learning. A federated learning
system being widely distributed with different components and stakeholders
requires software system design thinking. For instance, multiple patterns and
tactics have been summarised by researchers that cover various aspects, from
client management, training configuration, model deployment, etc. However, the
multitude of patterns leaves the designers confused about when and which
pattern to adopt or adapt. Therefore, in this paper, we present a set of
decision models to assist designers and architects who have limited knowledge
in federated learning, in selecting architectural patterns for federated
learning architecture design. Each decision model maps functional and
non-functional requirements of federated learning systems to a set of patterns.
we also clarify the trade-offs that may be implicit in the patterns. We
evaluated the decision model through a set of interviews with practitioners to
assess the correctness and usefulness in guiding the architecture design
process through various design decision options.
- Abstract（参考訳）: フェデレーション学習は、機械学習におけるデータの飢餓とプライバシーの問題を解決するために、学術と産業の両方で急速に成長している。
異なるコンポーネントや利害関係者と広く分散している連合学習システムは、ソフトウェアシステム設計の思考を必要とする。
例えば、クライアント管理、トレーニング設定、モデルデプロイメントなど、さまざまな側面をカバーする研究者によって、複数のパターンと戦術が要約されている。
しかし、多くのパターンはデザイナーがいつ、どのパターンを採用するべきかを混乱させてしまう。
そこで本稿では,フェデレーション学習の知識に乏しい設計者や設計者に対して,フェデレーション学習アーキテクチャ設計のためのアーキテクチャパターンを選択する際の意思決定モデルを提案する。
各決定モデルは、連合学習システムの機能的および非機能的要求を一連のパターンにマップする。
また、パターンに暗黙的なトレードオフを明らかにします。
様々な設計決定オプションを通じてアーキテクチャ設計プロセスを導く上での正しさと有用性を評価するため,実践者へのインタビューを通じて意思決定モデルを評価した。
関連論文リスト
- A Survey of Model Architectures in Information Retrieval [64.75808744228067]
機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - A quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
本研究では,MLシステムにおけるアーキテクチャパターンの定量的評価のための枠組みを提案する。
コスト効率のよいCPUベースの推論のためのスケーラビリティとパフォーマンスメトリクスに注目します。
論文 参考訳（メタデータ） (2025-01-20T15:30:09Z) - The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。
本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。
我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
論文 参考訳（メタデータ） (2024-05-24T07:41:26Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳（メタデータ） (2024-02-27T17:11:35Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - A Compositional Approach to Creating Architecture Frameworks with an
Application to Distributed AI Systems [16.690434072032176]
構成的思考が複雑なシステムのためのアーキテクチャフレームワークの作成と管理のルールをいかに提供できるかを示す。
論文の目的は、AIシステム特有の視点やアーキテクチャモデルを提供することではなく、既存の、または新しく作成された視点で一貫したフレームワークを構築する方法についてのガイドラインを提供することである。
論文 参考訳（メタデータ） (2022-12-27T18:05:02Z) - Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。
生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。
モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T05:27:28Z) - FLRA: A Reference Architecture for Federated Learning Systems [8.180947044673639]
フェデレートラーニング(Federated Learning)は、複数のデバイスが、クライアントのローカルデータを共有せずに、モデルをローカルにトレーニングし、グローバルモデルを定式化する、新たな機械学習パラダイムである。
我々は,フェデレート学習システムのための参照アーキテクチャであるFLRAを提案し,フェデレーション学習ベースのソリューションのためのテンプレート設計を提供する。
論文 参考訳（メタデータ） (2021-06-22T06:59:19Z) - Architectural Patterns for the Design of Federated Learning Systems [12.330671239159102]
機械学習におけるデータの空腹とプライバシの課題に取り組むため、フェデレーション学習は学界や業界から急速に関心を集めている。
本稿では,連合型学習システムの設計課題に対処するアーキテクチャパターンの集合について述べる。
論文 参考訳（メタデータ） (2021-01-07T05:11:09Z) - A Systematic Literature Review on Federated Machine Learning: From A
Software Engineering Perspective [9.315446698757768]
フェデレートラーニング(Federated Learning)は、クライアントがローカルモデルをトレーニングし、ローカルモデル更新に基づいてグローバルモデルを定式化する、新たな機械学習パラダイムである。
ソフトウェア工学の観点から,231の初等研究に基づいて,系統的な文献レビューを行う。
データ合成は, 背景理解, 要件分析, アーキテクチャ設計, 実装, 評価を含む, 統合学習システムのライフサイクルをカバーする。
論文 参考訳（メタデータ） (2020-07-22T11:59:54Z)
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。