論文の概要: Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy

• arxiv url: http://arxiv.org/abs/2204.13697v1
• Date: Fri, 22 Apr 2022 23:39:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-08 23:37:16.275044
• Title: Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy
• Title（参考訳）: 連合学習:データインテリジェンスとプライバシのシンラインのバランス
• Authors: Sherin Mary Mathews, Samuel A. Assefa
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning holds great promise in learning from fragmented sensitive data and has revolutionized how machine learning models are trained. This article provides a systematic overview and detailed taxonomy of federated learning. We investigate the existing security challenges in federated learning and provide a comprehensive overview of established defense techniques for data poisoning, inference attacks, and model poisoning attacks. The work also presents an overview of current training challenges for federated learning, focusing on handling non-i.i.d. data, high dimensionality issues, and heterogeneous architecture, and discusses several solutions for the associated challenges. Finally, we discuss the remaining challenges in managing federated learning training and suggest focused research directions to address the open questions. Potential candidate areas for federated learning, including IoT ecosystem, healthcare applications, are discussed with a particular focus on banking and financial domains.
• Abstract（参考訳）: 連合学習は、断片化された機密データから学び、機械学習モデルのトレーニング方法に革命をもたらした。 本稿では,連合学習の系統的概要と詳細な分類について述べる。 フェデレーション学習における既存のセキュリティ課題を調査し,データ中毒,推論攻撃,モデル中毒攻撃のための確立された防御技術の概要を提供する。 この研究はまた、非i.i.d.データ、高次元問題、異種アーキテクチャを扱うことに焦点を当て、連合学習の現在のトレーニング課題の概要を示し、関連する課題に対するいくつかの解決策について論じている。 最後に,連合学習訓練の管理における課題を議論し,オープン質問への集中型研究指導を提案する。 IoTエコシステムやヘルスケアアプリケーションなど、フェデレーション学習の潜在的な候補分野は、銀行や金融分野に特に焦点をあてて議論されている。

関連論文リスト

• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• 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)
• Federated Learning driven Large Language Models for Swarm Intelligence: A Survey [2.769238399659845]
  Federated Learning (FL)は、大規模言語モデル(LLM)をトレーニングするための魅力的なフレームワークを提供する 私たちは機械学習に重点を置いています。これは、忘れられる権利のようなプライバシー規則に従う上で重要な側面です。 摂動技術やモデル分解,漸進学習など,効果的なアンラーニングを可能にするさまざまな戦略を探求する。
  論文  参考訳（メタデータ） (2024-06-14T08:40:58Z)
• Federated learning in food research [4.388784558602912]
  本研究は,食品分野におけるフェデレートラーニングの活用について考察する。 現在の応用には、水と牛乳の品質評価のソリューション、水処理のサイバーセキュリティ、殺虫剤残留リスク分析、雑草検出、不正検出が含まれる。 見つかったギャップの1つは、垂直ないし移行型の学習と分散アーキテクチャの欠如であった。
  論文  参考訳（メタデータ） (2024-06-10T11:58:11Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• A Survey on Federated Unlearning: Challenges, Methods, and Future Directions [21.90319100485268]
  近年、忘れられる権利(RTBF)の概念は、デジタル信頼とAI安全のためのデータプライバシの重要な側面となっている。 マシン・アンラーニング(MU)は、MLモデルによって識別可能な情報を選択的に排除できる、かなりの注目を集めている。 FUは、フェデレートされた学習環境におけるデータ消去の課題に直面している。
  論文  参考訳（メタデータ） (2023-10-31T13:32:00Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• 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)
• Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
  Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。 FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。 本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-31T19:56:36Z)

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。