論文の概要: FLAIR: Federated Learning Annotated Image Repository

• arxiv url: http://arxiv.org/abs/2207.08869v1
• Date: Mon, 18 Jul 2022 18:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:03:02.155614
• Title: FLAIR: Federated Learning Annotated Image Repository
• Title（参考訳）: FLAIR:Federated Learning Annotated Image Repository
• Authors: Congzheng Song, Filip Granqvist, Kunal Talwar
• Abstract要約: クロスデバイス・フェデレーション・ラーニング(クロスデバイス・フェデレーション・ラーニング)は、機械学習(ML)パラダイムである。 本稿では,フェデレート学習に適した多ラベル分類のための大規模アノテート画像データセットFLAIRを紹介する。 このデータセット上で異なるタスクのために、異なる学習設定で複数のベースラインを実装します。
• 参考スコア（独自算出の注目度）: 40.87802770571535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-device federated learning is an emerging machine learning (ML) paradigm where a large population of devices collectively train an ML model while the data remains on the devices. This research field has a unique set of practical challenges, and to systematically make advances, new datasets curated to be compatible with this paradigm are needed. Existing federated learning benchmarks in the image domain do not accurately capture the scale and heterogeneity of many real-world use cases. We introduce FLAIR, a challenging large-scale annotated image dataset for multi-label classification suitable for federated learning. FLAIR has 429,078 images from 51,414 Flickr users and captures many of the intricacies typically encountered in federated learning, such as heterogeneous user data and a long-tailed label distribution. We implement multiple baselines in different learning setups for different tasks on this dataset. We believe FLAIR can serve as a challenging benchmark for advancing the state-of-the art in federated learning. Dataset access and the code for the benchmark are available at \url{https://github.com/apple/ml-flair}.
• Abstract（参考訳）: クロスデバイスフェデレーション学習(cross-device federated learning, クロスデバイスフェデレーション学習)は、データがデバイスに残っている間に、多数のデバイスがmlモデルを総合的にトレーニングする、新たな機械学習(ml)パラダイムである。 この研究分野には独自の実践的課題があり、体系的に進歩するためには、このパラダイムと互換性のある新しいデータセットが必要である。 画像領域における既存の連合学習ベンチマークは、実世界の多くのユースケースのスケールと多様性を正確に捉えていない。 本稿では,フェデレート学習に適した多ラベル分類のための大規模アノテート画像データセットFLAIRを紹介する。 FLAIRは51,414人のFlickrユーザーから429,078枚の画像を持ち、異種ユーザデータや長い尾のラベルの分布など、連邦学習でよく見られる多くの複雑さを捉えている。 このデータセット上で異なるタスクのために、異なる学習設定で複数のベースラインを実装します。 FLAIRは、フェデレートラーニングにおける最先端技術を推進する上で、難しいベンチマークになると考えています。 データセットへのアクセスとベンチマークのコードは、 \url{https://github.com/apple/ml-flair} で入手できる。

関連論文リスト

• Stalactite: Toolbox for Fast Prototyping of Vertical Federated Learning Systems [37.11550251825938]
  本稿では,VFL(Vertical Federated Learning)システムのためのオープンソースのフレームワークであるemphStalactiteを紹介する。 VFLはデータサンプルが複数のデータ所有者にまたがる機能によって分割されるFLの一種である。 実世界のレコメンデーションデータセットでその使い方を実証する。
  論文  参考訳（メタデータ） (2024-09-23T21:29:03Z)
• Language-Guided Transformer for Federated Multi-Label Classification [32.26913287627532]
  フェデレートラーニング(FL)は、複数のユーザがプライベートデータを共有せずに、プライバシー保護の方法で堅牢なモデルを共同でトレーニングすることを可能にする。 FLの既存のアプローチのほとんどは、タスクをマルチラベル画像分類に移行する際の影響を無視して、従来のシングルラベル画像分類のみを考慮する。 本稿では,この課題に対処するために,言語ガイドトランスフォーマー(FedLGT)の新たなFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-12T11:03:51Z)
• 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)
• Federated Self-Supervised Learning in Heterogeneous Settings: Limits of a Baseline Approach on HAR [0.5039813366558306]
  我々は,標準軽量オートエンコーダと標準フェデレーション平均化が,人間の活動認識の堅牢な表現を学習できないことを示す。 これらの知見は、フェデレーション・セルフ・スーパーバイザード・ラーニングにおけるより集中的な研究努力を提唱している。
  論文  参考訳（メタデータ） (2022-07-17T14:15:45Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Multi-Center Federated Learning [62.32725938999433]
  フェデレートラーニング(FL)は、分散ラーニングにおけるデータのプライバシを保護する。 単にデータにアクセスせずに、ユーザーからローカルな勾配を収集するだけだ。 本稿では,新しいマルチセンターアグリゲーション機構を提案する。
  論文  参考訳（メタデータ） (2021-08-19T12:20:31Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)

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。