論文の概要: Decentral and Incentivized Federated Learning Frameworks: A Systematic
Literature Review
- arxiv url: http://arxiv.org/abs/2205.07855v2
- Date: Wed, 18 May 2022 11:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 15:40:16.849115
- Title: Decentral and Incentivized Federated Learning Frameworks: A Systematic
Literature Review
- Title（参考訳）: 分散化とインセンティブ付フェデレーション学習フレームワーク: 体系的文献レビュー
- Authors: Leon Witt, Mathis Heyer, Kentaroh Toyoda, Wojciech Samek and Dan Li
- Abstract要約: これは、分散化とインセンティブ化されたフェデレーション学習の両方の領域における全体論的なFLFを分析する最初の体系的な文献レビューである。
より分散されたセキュアなAIの未来を導く大きな可能性を秘めているが、分析されたFLFはいずれもプロダクション対応ではない。
- 参考スコア（独自算出の注目度）: 13.544807934973168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of Federated Learning (FL) has ignited a new paradigm for parallel
and confidential decentralized Machine Learning (ML) with the potential of
utilizing the computational power of a vast number of IoT, mobile and edge
devices without data leaving the respective device, ensuring privacy by design.
Yet, in order to scale this new paradigm beyond small groups of already
entrusted entities towards mass adoption, the Federated Learning Framework
(FLF) has to become (i) truly decentralized and (ii) participants have to be
incentivized. This is the first systematic literature review analyzing holistic
FLFs in the domain of both, decentralized and incentivized federated learning.
422 publications were retrieved, by querying 12 major scientific databases.
Finally, 40 articles remained after a systematic review and filtering process
for in-depth examination. Although having massive potential to direct the
future of a more distributed and secure AI, none of the analyzed FLF is
production-ready. The approaches vary heavily in terms of use-cases, system
design, solved issues and thoroughness. We are the first to provide a
systematic approach to classify and quantify differences between FLF, exposing
limitations of current works and derive future directions for research in this
novel domain.
- Abstract（参考訳）: フェデレーテッド・ラーニング(FL)の出現は、多数のIoT、モバイル、エッジデバイスの計算能力を各デバイスを離れることなく活用し、設計によるプライバシを確保する可能性を備えた、並列かつ機密の分散機械学習(ML)の新しいパラダイムに着火した。
しかし、既に信頼できるエンティティの小さなグループを超えて、大規模な採用に向けて、この新しいパラダイムを拡大するには、フェデレーション学習フレームワーク(flf)が必要となる。
(i)真に分散し、かつ
(ii)参加者にインセンティブを与える必要がある。
これは、分散学習とインセンティブ学習の両方の領域における総合的なflfを分析する最初の体系的な文献である。
422の出版物が検索され、主要な12の科学データベースを検索した。
最終的に40項目が,詳細な検討のための体系的レビューとフィルタリングプロセスの後に残った。
より分散されたセキュアなAIの未来を導く大きな可能性を秘めているが、分析されたFLFはいずれもプロダクション対応ではない。
アプローチはユースケース、システム設計、問題解決、徹底といった点で大きく異なります。
我々は、flf間の差異を分類し、定量化し、現在の作品の限界を暴露し、この領域における研究の今後の方向性を導出するための体系的アプローチを初めて提供する。
関連論文リスト
- SoK: Challenges and Opportunities in Federated Unlearning [32.0365189539138]
本論文は、この新興分野における研究動向と課題を特定することを目的として、未学習の未学習文学を深く研究することを目的としている。
論文 参考訳（メタデータ） (2024-03-04T19:35:08Z) - 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) - A Survey of Federated Unlearning: A Taxonomy, Challenges and Future
Directions [71.16718184611673]
プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。
選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。
Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。
我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。
我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
論文 参考訳（メタデータ） (2023-05-29T22:51:40Z) - Decentralized Federated Learning: Fundamentals, State of the Art,
Frameworks, Trends, and Challenges [0.0]
フェデレートラーニング(FL)は、機密データを共有せずに協調モデルのトレーニングに関連がある。
分散フェデレートラーニング(DFL)は、分散モデルアグリゲーションを促進することでこれらの問題に対処する。
本稿では,DFLの主な基礎を,フェデレーションアーキテクチャ,トポロジ,通信機構,セキュリティアプローチ,キーパフォーマンス指標の観点から同定し,解析する。
論文 参考訳（メタデータ） (2022-11-15T18:51:20Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - SSFL: Tackling Label Deficiency in Federated Learning via Personalized
Self-Supervision [34.38856587032084]
Federated Learning(FL)は、MLトレーニングエコシステムを、クラウド上の集中的な設定から、エッジデバイス上での分散トレーニングへと変えようとしている。
本稿では,自己教師型・パーソナライズド・フェデレーション・ラーニング・フレームワークである,自己教師型フェデレーション・ラーニング(SSFL)を提案する。
FLにおける教師なし学習と教師なし学習との評価精度の差は小さく,合理的であることを示す。
論文 参考訳（メタデータ） (2021-10-06T02:58:45Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳（メタデータ） (2021-07-07T15:42:49Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。