論文の概要: Federated Learning: Applications, Challenges and Future Scopes
- arxiv url: http://arxiv.org/abs/2205.09513v1
- Date: Wed, 18 May 2022 10:47:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 14:17:14.117491
- Title: Federated Learning: Applications, Challenges and Future Scopes
- Title（参考訳）: 連合学習: 応用,課題,今後の展望
- Authors: Subrato Bharati, M. Rubaiyat Hossain Mondal, Prajoy Podder, V. B.
Surya Prasath
- Abstract要約: フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。
FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
- 参考スコア（独自算出の注目度）: 1.3190581566723918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) is a system in which a central aggregator coordinates
the efforts of multiple clients to solve machine learning problems. This
setting allows training data to be dispersed in order to protect privacy. The
purpose of this paper is to provide an overview of FL systems with a focus on
healthcare. FL is evaluated here based on its frameworks, architectures, and
applications. It is shown here that FL solves the preceding issues with a
shared global deep learning (DL) model via a central aggregator server. This
paper examines recent developments and provides a comprehensive list of
unresolved issues, inspired by the rapid growth of FL research. In the context
of FL, several privacy methods are described, including secure multiparty
computation, homomorphic encryption, differential privacy, and stochastic
gradient descent. Furthermore, a review of various FL classes, such as
horizontal and vertical FL and federated transfer learning, is provided. FL has
applications in wireless communication, service recommendation, intelligent
medical diagnosis systems, and healthcare, all of which are discussed in this
paper. We also present a thorough review of existing FL challenges, such as
privacy protection, communication cost, system heterogeneity, and unreliable
model upload, followed by future research directions.
- Abstract（参考訳）: フェデレーション・ラーニング(英語: federated learning、fl)は、中央アグリゲータが複数のクライアントの機械学習問題を解決する努力を調整するシステムである。
この設定により、プライバシを保護するためにトレーニングデータを分散することができる。
本研究の目的は、医療に焦点をあてたFLシステムの概要を提供することである。
flはフレームワーク、アーキテクチャ、アプリケーションに基づいてここで評価される。
FLは、中央アグリゲータサーバを介して、共有グローバルディープラーニング(DL)モデルを用いて、先述の問題を解決する。
本稿では,最近の展開を概観し,fl研究の急速な発展に触発された未解決問題の包括的リストを提供する。
FLの文脈では、セキュアなマルチパーティ計算、同型暗号化、微分プライバシー、確率勾配降下など、いくつかのプライバシ手法が述べられている。
さらに、水平および垂直のFLやフェデレーション・トランスファー・ラーニングなどの様々なFLクラスをレビューする。
flは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されており、いずれも本稿で議論されている。
また,プライバシ保護,通信コスト,システム不均一性,信頼性の低いモデルアップロードなど,既存のfl課題の徹底的なレビューを行い,今後の研究動向について述べる。
関連論文リスト
- Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - 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) - A Survey on Decentralized Federated Learning [0.709016563801433]
近年、フェデレーション学習は、分散、大規模、プライバシ保護機械学習(ML)システムのトレーニングにおいて一般的なパラダイムとなっている。
典型的なFLシステムでは、中央サーバはオーケストレータとしてのみ機能し、各クライアントによって訓練されたすべてのローカルモデルを、収束するまで反復的に収集し集約する。
最も重要な課題の1つは、古典的なFLクライアントサーバアーキテクチャの集中的なオーケストレーションを克服することである。
すべてのFLクライアントが中央サーバなしで協力し、通信する分散FLソリューションが登場しました。
論文 参考訳（メタデータ） (2023-08-08T22:07:15Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge
Computing Systems [77.45213180689952]
本稿では,エッジコンピューティングシステムにおけるFLワークロードを対象としたベンチマークであるFLEdgeを紹介する。
ハードウェアの不均一性,トレーニング中のエネルギー効率,およびFLシステムのトレーニングに対する各種の差分プライバシーレベルの影響を系統的に研究した。
クライアントのドロップアウトが失敗率50%の最先端のFL戦略に与える影響を評価する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - Vertical Federated Learning: A Structured Literature Review [0.0]
フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。
本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
論文 参考訳（メタデータ） (2022-12-01T16:16:41Z) - 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) - FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in
Realistic Healthcare Settings [51.09574369310246]
Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。
本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。
私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
論文 参考訳（メタデータ） (2022-10-10T12:17:30Z) - FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。
本稿では,FL方式の通信能力について詳しく検討する。
我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
論文 参考訳（メタデータ） (2022-01-21T17:05:56Z) - A Systematic Literature Review on Federated Learning: From A Model
Quality Perspective [10.725466627592732]
フェデレートラーニング(FL)は、データをローカルに残してグローバルモデルを共同でトレーニングすることができる。
本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。
論文 参考訳（メタデータ） (2020-12-01T05:48:36Z) - FLaaS: Federated Learning as a Service [3.128267020893596]
我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。
概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。
100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
論文 参考訳（メタデータ） (2020-11-18T15:56:22Z) - Threats to Federated Learning: A Survey [35.724483191921244]
フェデレーテッド・ラーニング(FL)は、この新しい現実の下で有望なソリューションとして登場した。
既存のFLプロトコルの設計は、敵に悪用される脆弱性を示すことが示されている。
本稿では、FLの概念を簡潔に紹介し、脅威モデルをカバーするユニークな分類法と、FLに対する2つの主要な攻撃について述べる。
論文 参考訳（メタデータ） (2020-03-04T15:30:10Z)
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。