論文の概要: Pisces: Efficient Federated Learning via Guided Asynchronous Training
- arxiv url: http://arxiv.org/abs/2206.09264v1
- Date: Sat, 18 Jun 2022 18:25:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 02:24:32.453982
- Title: Pisces: Efficient Federated Learning via Guided Asynchronous Training
- Title(参考訳): Pisces: ガイド付き非同期トレーニングによる効果的なフェデレーション学習
- Authors: Zhifeng Jiang, Wei Wang, Baochun Li, Bo Li
- Abstract要約: フェデレーテッド・ラーニング(FL)は通常、遅いクライアントの関与がトレーニングのイテレーションを遅らせる、同期的な並列的な方法で実行される。
現在のFLでは、各イテレーションで品質データを持つ高速クライアントを選択するために、参加者選択戦略を採用している。
本稿では、インテリジェントな受入選択とモデルアグリゲーションを備えた非同期FLシステムであるPiscesについて述べる。
- 参考スコア(独自算出の注目度): 42.46549526793953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) is typically performed in a synchronous parallel
manner, where the involvement of a slow client delays a training iteration.
Current FL systems employ a participant selection strategy to select fast
clients with quality data in each iteration. However, this is not always
possible in practice, and the selection strategy often has to navigate an
unpleasant trade-off between the speed and the data quality of clients.
In this paper, we present Pisces, an asynchronous FL system with intelligent
participant selection and model aggregation for accelerated training. To avoid
incurring excessive resource cost and stale training computation, Pisces uses a
novel scoring mechanism to identify suitable clients to participate in a
training iteration. It also adapts the pace of model aggregation to dynamically
bound the progress gap between the selected clients and the server, with a
provable convergence guarantee in a smooth non-convex setting. We have
implemented Pisces in an open-source FL platform called Plato, and evaluated
its performance in large-scale experiments with popular vision and language
models. Pisces outperforms the state-of-the-art synchronous and asynchronous
schemes, accelerating the time-to-accuracy by up to 2.0x and 1.9x,
respectively.
- Abstract(参考訳): フェデレーテッド・ラーニング(FL)は通常、遅いクライアントの関与がトレーニングのイテレーションを遅らせる、同期的な並列的な方法で実行される。
現在のflシステムは参加者選択戦略を採用し、イテレーション毎に品質データを持つ高速なクライアントを選択する。
しかし、これは実際には必ずしも可能ではなく、選択戦略は、しばしばクライアントの速度とデータ品質の間の不快なトレードオフをナビゲートする必要がある。
本稿では,インテリジェントな参加者選択とモデルアグリゲーションを備えた非同期flシステム pisces を提案する。
過剰なリソースコストが発生することを避けるため、pisceは新たなスコアリング機構を使用して、トレーニングイテレーションに参加する適切なクライアントを識別する。
また、モデルアグリゲーションのペースに適応して、選択されたクライアントとサーバの間の進捗ギャップを動的にバインドし、スムーズな非凸設定で保証可能な収束を保証する。
我々はPassesをオープンソースのFLプラットフォームであるPlatoで実装し、その性能を一般的なビジョンと言語モデルを用いた大規模実験で評価した。
piscesは最先端の同期と非同期のスキームを上回っており、それぞれ2.0倍と1.9倍の正確性を実現している。
関連論文リスト
- FedAST: Federated Asynchronous Simultaneous Training [27.492821176616815]
フェデレートラーニング(FL)は、デバイスやクライアントがプライベートデータを共有せずに機械学習(ML)モデルを協調的にトレーニングすることを可能にする。
FLにおける既存の作業の多くは、1つのタスクのモデルを効率的に学習することに集中しています。
本稿では,共通データセットを用いた複数のFLモデルの同時学習を提案する。
論文 参考訳(メタデータ) (2024-06-01T05:14:20Z) - Prune at the Clients, Not the Server: Accelerated Sparse Training in Federated Learning [56.21666819468249]
クライアントのリソース制約と通信コストは、フェデレートラーニングにおける大規模モデルのトレーニングに大きな問題を引き起こす。
Sparse-ProxSkipを導入し、スパース環境でのトレーニングとアクセラレーションを組み合わせた。
Sparse-ProxSkipの優れた性能を広範な実験で実証する。
論文 参考訳(メタデータ) (2024-05-31T05:21:12Z) - Achieving Linear Speedup in Asynchronous Federated Learning with
Heterogeneous Clients [30.135431295658343]
フェデレートラーニング(FL)は、異なるクライアントにローカルに保存されているデータを交換したり転送したりすることなく、共通のグローバルモデルを学ぶことを目的としている。
本稿では,DeFedAvgという,効率的な連邦学習(AFL)フレームワークを提案する。
DeFedAvgは、望まれる線形スピードアップ特性を達成する最初のAFLアルゴリズムであり、高いスケーラビリティを示している。
論文 参考訳(メタデータ) (2024-02-17T05:22:46Z) - Asynchronous Wireless Federated Learning with Probabilistic Client
Selection [20.882840344104135]
Federated Learning(FL)は、クライアントがサーバによって調整された機械学習モデルを協調的にトレーニングする、有望な分散学習フレームワークである。
各クライアントはローカル更新を保持し、確率的にローカルモデルを送信する。
我々は,非確率収束問題をグローバルに最適に解くための反復アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-11-28T12:39:34Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Effectively Heterogeneous Federated Learning: A Pairing and Split
Learning Based Approach [16.093068118849246]
本稿では,クライアントと異なる計算資源をペアリングする,新しい分割フェデレーション学習(SFL)フレームワークを提案する。
グラフエッジ選択問題として,学習遅延の最適化を再構築し,グレディアルゴリズムを提案する。
シミュレーションの結果,提案手法はFLトレーニング速度を大幅に向上し,高い性能を実現することができることがわかった。
論文 参考訳(メタデータ) (2023-08-26T11:10:54Z) - TimelyFL: Heterogeneity-aware Asynchronous Federated Learning with
Adaptive Partial Training [17.84692242938424]
TimelyFLは、適応的な部分的トレーニングを備えた、異種対応の非同期フェデレートラーニングフレームワークである。
我々は、TimelyFLが参加率を21.13%改善し、収束率を1.28倍から2.89倍向上させ、テスト精度を6.25%向上させることを示した。
論文 参考訳(メタデータ) (2023-04-14T06:26:08Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-26T08:13:22Z) - Dynamic Attention-based Communication-Efficient Federated Learning [85.18941440826309]
フェデレートラーニング(FL)は、グローバル機械学習モデルをトレーニングするためのソリューションを提供する。
FLは、クライアントデータの分散が非IIDであるときに性能劣化に悩まされる。
本稿では,この劣化に対処するために,新しい適応トレーニングアルゴリズムであるtextttAdaFL$を提案する。
論文 参考訳(メタデータ) (2021-08-12T14:18:05Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z)
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。