Fugu-MT 論文翻訳(概要): A Review of Federated Learning in Energy Systems

論文の概要: A Review of Federated Learning in Energy Systems

arxiv url: http://arxiv.org/abs/2208.10941v1
Date: Sat, 20 Aug 2022 19:20:04 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 14:01:21.675352
Title: A Review of Federated Learning in Energy Systems
Title（参考訳）: エネルギーシステムにおける連合学習の展望
Authors: Xu Cheng, Chendan Li, Xiufeng Liu
Abstract要約: 新たなパラダイムであるフェデレーション・ラーニング(FL)が注目され、機械学習実装の新しい設計となった。 FLは、中央サーバの協調の下でデータサイロにおけるMLモデルのトレーニングを可能にし、通信オーバーヘッドをなくし、生データを共有しない。本稿では,その分類を詳細に記述し,そのエネルギー情報応用における課題,機会,限界など,様々な側面の議論をまとめる。
参考スコア（独自算出の注目度）: 2.4011413760253726
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With increasing concerns for data privacy and ownership, recent years have witnessed a paradigm shift in machine learning (ML). An emerging paradigm, federated learning (FL), has gained great attention and has become a novel design for machine learning implementations. FL enables the ML model training at data silos under the coordination of a central server, eliminating communication overhead and without sharing raw data. In this paper, we conduct a review of the FL paradigm and, in particular, compare the types, the network structures, and the global model aggregation methods. Then, we conducted a comprehensive review of FL applications in the energy domain (refer to the smart grid in this paper). We provide a thematic classification of FL to address a variety of energy-related problems, including demand response, identification, prediction, and federated optimizations. We describe the taxonomy in detail and conclude with a discussion of various aspects, including challenges, opportunities, and limitations in its energy informatics applications, such as energy system modeling and design, privacy, and evolution.
Abstract（参考訳）: データプライバシとオーナシップに対する懸念が高まる中、近年は機械学習(ML)のパラダイムシフトが観測されている。新たなパラダイムである連合学習(federated learning, fl)が注目を集め、機械学習実装の新しい設計となった。 FLは、中央サーバの協調の下でデータサイロにおけるMLモデルのトレーニングを可能にし、通信オーバーヘッドをなくし、生データを共有しない。本稿では,FLパラダイムのレビューを行い,特に,タイプ,ネットワーク構造,グローバルモデル集約手法を比較した。次に、エネルギー領域におけるFLアプリケーションの包括的なレビューを行った(この論文のスマートグリッドを参照)。本稿では,需要応答,識別,予測,フェデレーション最適化など,さまざまなエネルギー関連問題に対処するためのFLのセマンティック分類を提案する。本稿では, エネルギーシステムモデリングや設計, プライバシ, 進化など, エネルギー情報応用における課題, 機会, 限界など, 様々な側面の議論から, 分類学を詳細に記述し, 結論づける。

関連論文リスト

Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文参考訳（メタデータ） (2024-09-17T22:20:26Z)
Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
論文参考訳（メタデータ） (2024-09-05T19:00:18Z)
A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
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)
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)
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)
Synergies Between Federated Learning and O-RAN: Towards an Elastic Virtualized Architecture for Multiple Distributed Machine Learning Services [7.477830365234231]
我々は、動的マルチサービスFL(DMS-FL)と呼ばれる、NextGネットワーク上の汎用FLパラダイムを導入する。弾性FL(EV-FL)と呼ばれる新しい分散MLアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-04-14T19:21:42Z)
Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文参考訳（メタデータ） (2023-03-23T02:42:10Z)
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)
Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
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。
論文参考訳（メタデータ） (2022-05-18T10:47:09Z)
Federated Learning for Physical Layer Design [38.46522285374866]
Federated Learning (FL) は最近,分散学習スキームとして提案されている。 FLは集中型学習(CL)よりもコミュニケーション効率が高くプライバシーを保ちます。本稿では,物理層設計問題に対するFLベーストレーニングの最近の進歩について論じる。
論文参考訳（メタデータ） (2021-02-23T16:22:53Z)

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。