論文の概要: Decision Models for Selecting Federated Learning Architecture Patterns
- arxiv url: http://arxiv.org/abs/2204.13291v3
- Date: Fri, 28 Apr 2023 00:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 17:57:57.488350
- Title: Decision Models for Selecting Federated Learning Architecture Patterns
- Title（参考訳）: フェデレーション学習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: フェデレートされた機械学習アーキテクチャ設計のためのパターン選択のための一連の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機械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 machine learning is growing fast in academia and industries as a
solution to solve data hungriness and privacy issues in machine learning. Being
a widely distributed system, federated machine learning requires various system
design thinking. To better design a federated machine learning system,
researchers have introduced multiple patterns and tactics that cover various
system design aspects. However, the multitude of patterns leaves the designers
confused about when and which pattern to adopt. In this paper, we present a set
of decision models for the selection of patterns for federated machine learning
architecture design based on a systematic literature review on federated
machine learning, to assist designers and architects who have limited knowledge
of federated machine learning. Each decision model maps functional and
non-functional requirements of federated machine learning systems to a set of
patterns. We also clarify the drawbacks of the patterns. We evaluated the
decision models by mapping the decision patterns to concrete federated machine
learning architectures by big tech firms to assess the models' correctness and
usefulness. The evaluation results indicate that the proposed decision models
are able to bring structure to the federated machine learning architecture
design process and help explicitly articulate the design rationale.
- Abstract（参考訳）: フェデレートされた機械学習は、機械学習におけるデータの飢餓とプライバシー問題を解決するソリューションとして、学術や産業で急速に成長している。
広く分散されたシステムであるフェデレーション機械学習は、様々なシステム設計思考を必要とする。
連合機械学習システムの設計を改善するために、研究者は様々なシステム設計の側面をカバーする複数のパターンと戦術を導入した。
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。
本稿では、フェデレーション機械学習に関する体系的な文献レビューに基づいて、フェデレーション機械学習アーキテクチャ設計のためのパターン選択のための一連の決定モデルを提案し、フェデレーション機械学習の知識が限られているデザイナやアーキテクトを支援する。
各決定モデルは、フェデレーション機械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,パターンの欠点も明らかにした。
我々は、意思決定パターンを、大企業による具体的な機械学習アーキテクチャにマッピングすることで、意思決定モデルを評価し、モデルの正しさと有用性を評価する。
評価結果から,提案する決定モデルは,連合機械学習アーキテクチャ設計プロセスに構造をもたらし,設計の理論的根拠を明確化するのに役立つことが示唆された。
関連論文リスト
- 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) - Machine Learning-Enabled Software and System Architecture Frameworks [48.87872564630711]
データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。
10か国25以上の組織から61名の被験者を対象に調査を行った。
論文 参考訳（メタデータ） (2023-08-09T21:54:34Z) - 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) - Artefact Retrieval: Overview of NLP Models with Knowledge Base Access [18.098224374478598]
本稿では,人工物の種類(知識ベースから抽出した項目),検索機構,およびこれらの人工物がモデルに融合する方法を体系的に記述する。
言語モデルに焦点が当てられているが、質問応答、事実チェック、対話モデルもこのシステムにどのように適合するかを示す。
論文 参考訳（メタデータ） (2022-01-24T13:15:33Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - 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) - Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。
本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文 参考訳（メタデータ） (2021-03-08T22:39:32Z) - 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) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z)
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。