論文の概要: UniFed: A Benchmark for Federated Learning Frameworks
- arxiv url: http://arxiv.org/abs/2207.10308v1
- Date: Thu, 21 Jul 2022 05:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 13:32:54.402221
- Title: UniFed: A Benchmark for Federated Learning Frameworks
- Title(参考訳): unifed: フェデレーション学習フレームワークのためのベンチマーク
- Authors: Xiaoyuan Liu, Tianneng Shi, Chulin Xie, Qinbin Li, Kangping Hu, Haoyu
Kim, Xiaojun Xu, Bo Li, Dawn Song
- Abstract要約: フェデレートラーニング(FL)は、機械学習の実践的で一般的なパラダイムとなっている。
多様なユースケースをカバーする体系的なソリューションはありません。
既存のオープンソースFLフレームワークの標準化評価のための最初の統一ベンチマークであるUniFedを紹介する。
- 参考スコア(独自算出の注目度): 63.42269275105258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) has become a practical and popular paradigm in
machine learning. However, currently, there is no systematic solution that
covers diverse use cases. Practitioners often face the challenge of how to
select a matching FL framework for their use case. In this work, we present
UniFed, the first unified benchmark for standardized evaluation of the existing
open-source FL frameworks. With 15 evaluation scenarios, we present both
qualitative and quantitative evaluation results of nine existing popular
open-sourced FL frameworks, from the perspectives of functionality, usability,
and system performance. We also provide suggestions on framework selection
based on the benchmark conclusions and point out future improvement directions.
- Abstract(参考訳): フェデレートラーニング(FL)は、機械学習の実践的で一般的なパラダイムとなっている。
しかし、現在様々なユースケースをカバーする体系的なソリューションは存在しない。
実践者は、ユースケースに対して一致するFLフレームワークをどのように選択するかという課題に直面します。
本稿では、既存のオープンソースFLフレームワークの標準化評価のための最初の統一ベンチマークUniFedを紹介する。
15 つの評価シナリオにおいて,機能,ユーザビリティ,システムパフォーマンスの観点から,既存の9 つのオープンソース FL フレームワークの質的および定量的評価結果を示す。
また、ベンチマーク結果に基づいてフレームワークの選択に関する提案を行い、今後の改善の方向性を指摘する。
関連論文リスト
- A Survey on Efficient Federated Learning Methods for Foundation Model
Training [66.19763977571114]
フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。
Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。
FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
論文 参考訳(メタデータ) (2024-01-09T10:22:23Z) - Unlocking the Potential of Prompt-Tuning in Bridging Generalized and
Personalized Federated Learning [49.72857433721424]
Vision Transformer (ViT) と Visual Prompt Tuning (VPT) は、様々なコンピュータビジョンタスクの効率を改善して最先端のパフォーマンスを実現する。
本稿では,GFL(Generalized FL)とPFL(Personalized FL)を組み合わせた新しいアルゴリズムSGPTを提案する。
論文 参考訳(メタデータ) (2023-10-27T17:22:09Z) - Comparative Evaluation of Data Decoupling Techniques for Federated
Machine Learning with Database as a Service [17.769779803790264]
Federated Learning(FL)は、複数のクライアントが生データを共有せずに、共同で共有モデルを学ぶことができる機械学習アプローチである。
現在のFLシステムはオールインワンのソリューションを提供しており、科学的応用のような特定の領域におけるFLの広範な採用を妨げる可能性がある。
本稿では、クライアントが特定のデータサブシステムでFLアプリケーションをカスタマイズできるデカップリング手法を提案する。
論文 参考訳(メタデータ) (2023-03-15T05:17:00Z) - FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。
本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
論文 参考訳(メタデータ) (2022-10-31T22:59:03Z) - ModularFed: Leveraging Modularity in Federated Learning Frameworks [8.139264167572213]
本稿では,フェデレートラーニング(FL)実装の複雑さに対処する研究に焦点を当てたフレームワークを提案する。
このアーキテクチャでは、プロトコルはフレームワークのコンポーネントの設計を厳密に定義する青写真である。
我々のプロトコルはFLにおけるモジュラリティの実現を目的としており、サードパーティのプラグイン・アンド・プレイアーキテクチャと動的シミュレータをサポートしています。
論文 参考訳(メタデータ) (2022-10-31T10:21:19Z) - Test-Time Robust Personalization for Federated Learning [5.553167334488855]
Federated Learning(FL)は、多くのクライアントが分散トレーニングデータで共有グローバルモデルを共同で学習する機械学習パラダイムである。
パーソナライズされたFLは、グローバルモデルを異なるクライアントに適応させ、一貫したローカルトレーニングとテスト分布に関する有望な結果を達成する。
テスト時間分布シフトに頑健なFLモデルをパーソナライズするフェデレーションテスト時ヘッドアンサンブルとチューニング(FedTHE+)を提案する。
論文 参考訳(メタデータ) (2022-05-22T20:08:14Z) - FederatedScope: A Comprehensive and Flexible Federated Learning Platform
via Message Passing [63.87056362712879]
我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。
手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。
我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
論文 参考訳(メタデータ) (2022-04-11T11:24:21Z) - Efficient Split-Mix Federated Learning for On-Demand and In-Situ
Customization [107.72786199113183]
フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。
本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
論文 参考訳(メタデータ) (2022-03-18T04:58:34Z) - System Optimization in Synchronous Federated Training: A Survey [4.8345307057837354]
プライバシー保護的な方法での協調機械学習は、フェデレートラーニング(FL)と呼ばれる新しい機械学習パラダイムを生み出します。
十分なレベルのプライバシー保証が与えられた場合、FLシステムの実用性は、トレーニングプロセス中の時間と精度のパフォーマンスに大きく依存する。
従来の分散トレーニングと多少似ているが、FLにはより短い時間から正確性への最適化を複雑にする4つの異なる課題がある。
論文 参考訳(メタデータ) (2021-09-09T02:31:29Z)
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。