論文の概要: Federated and Meta learning over Non-Wireless and Wireless Networks: A Tutorial

• arxiv url: http://arxiv.org/abs/2210.13111v1
• Date: Mon, 24 Oct 2022 10:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 15:25:12.290453
• Title: Federated and Meta learning over Non-Wireless and Wireless Networks: A Tutorial
• Title（参考訳）: 非有線および無線ネットワーク上でのフェデレーションおよびメタ学習:チュートリアル
• Authors: Xiaonan Liu and Yansha Deng and Arumugam Nallanathan and Mehdi Bennis
• Abstract要約: 近年,非無線および無線ネットワークにおけるリソース管理,干渉管理,自律性,意思決定問題を解決するために,機械学習(ML)ソリューションが開発されている。 この問題に対処するため、フェデレーションドラーニング(FL)は、エッジデバイスがデータプライバシのローカルデータセットを共有することなく、協調的にMLモデルをトレーニングできる効果的な方法である。 本チュートリアルでは、FL、メタラーニング、フェデレーションメタラーニング(FedMeta)について包括的なレビューを行う。
• 参考スコア（独自算出の注目度）: 100.7031262903025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, various machine learning (ML) solutions have been developed to solve resource management, interference management, autonomy, and decision-making problems in non-wireless and wireless networks. Standard ML approaches require collecting data at a central server for training, which cannot preserve the data privacy of devices. To address this issue, federated learning (FL) is an effective method to allow edge devices to collaboratively train ML models without sharing local datasets for data privacy. Typically, FL focuses on learning a global model for a given task and all devices and hence cannot adapt the model to devices with different data distributions. In such cases, meta learning can be employed to adapt learning models to different data distributions using a few data samples. In this tutorial, we conduct a comprehensive review on FL, meta learning, and federated meta learning (FedMeta). Compared to other tutorial papers, our objective is to leverage how FL/meta-learning/FedMeta can be designed, optimized, and evolved over non-wireless and wireless networks. Furthermore, we analyze not only the relationship among these learning algorithms but also their advantages and disadvantages in real-world applications.
• Abstract（参考訳）: 近年、非ワイヤレスおよび無線ネットワークにおけるリソース管理、干渉管理、自律性、意思決定問題を解決するために、機械学習(ML)ソリューションが開発されている。 標準的なmlアプローチでは、トレーニングのための中央サーバでデータを収集する必要があり、デバイスのデータのプライバシを保持することはできない。 この問題に対処するため、フェデレーションドラーニング(FL)は、エッジデバイスがデータプライバシのローカルデータセットを共有することなく、協調的にMLモデルをトレーニングできる効果的な方法である。 通常、FLは与えられたタスクとすべてのデバイスに対するグローバルモデルを学ぶことに集中するので、異なるデータ分布を持つデバイスにモデルを適応することはできない。 このような場合、いくつかのデータサンプルを使用して異なるデータ分布に学習モデルを適応させるためにメタラーニングが用いられる。 このチュートリアルでは、fl、meta learning、federated meta learning(fedmeta)について包括的なレビューを行う。 他のチュートリアルに比べて、FL/meta-learning/FedMetaの設計、最適化、非ワイヤレスおよび無線ネットワーク上での進化の活用が目的である。 さらに、これらの学習アルゴリズム間の関係だけでなく、現実世界の応用におけるそれらの利点や欠点も分析する。

関連論文リスト

• MultiConfederated Learning: Inclusive Non-IID Data handling with Decentralized Federated Learning [1.2726316791083532]
  Federated Learning (FL) は、機密性のある臨床機械学習のようなユースケースを可能にするための、顕著なプライバシ保護技術として登場した。 FLはデータを所有するリモートデバイスによってトレーニングされたモデルを集約することで動作する。 非IIDデータを扱うために設計された分散FLフレームワークであるMultiConfederated Learningを提案する。
  論文  参考訳（メタデータ） (2024-04-20T16:38:26Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Applied Federated Learning: Architectural Design for Robust and Efficient Learning in Privacy Aware Settings [0.8454446648908585]
  古典的な機械学習パラダイムは、中央にユーザーデータの集約を必要とする。 データの集中化は、内部および外部のセキュリティインシデントのリスクを高めることを含むリスクを引き起こす。 差分プライバシーによるフェデレーション学習は、サーバ側の集中化落とし穴を避けるように設計されている。
  論文  参考訳（メタデータ） (2022-06-02T00:30:04Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• PMFL: Partial Meta-Federated Learning for heterogeneous tasks and its applications on real-world medical records [11.252157002705484]
  フェデレートされた機械学習は、異なるソースからの分散データを利用する汎用的で柔軟なツールである。 本稿では,この問題を解決するために,フェデレートラーニングとメタラーニングを統合した新しいアルゴリズムを提案する。 我々は,異種医療データセットの処理において,アルゴリズムが最速のトレーニング速度を得ることができ,最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-12-10T03:55:03Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• Federated Few-Shot Learning with Adversarial Learning [30.905239262227]
  少数のラベル付きサンプルだけで、見えないデータクラスを分類できる、数ショットの分類モデルを学ぶための、数ショット学習フレームワークを提案する。 学習視覚タスクは10%以上,言語タスクは5%以上,私たちのアプローチはベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-04-01T09:44:57Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
  近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。 これにより、FLを大規模に実装する際の通信コストの課題が提起される。
  論文  参考訳（メタデータ） (2020-04-06T15:31:54Z)

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。