Fugu-MT 論文翻訳(概要): Federated Learning and Meta Learning: Approaches, Applications, and Directions

論文の概要: Federated Learning and Meta Learning: Approaches, Applications, and Directions

arxiv url: http://arxiv.org/abs/2210.13111v2
Date: Sat, 4 Nov 2023 21:25:55 GMT
ステータス: 処理完了
システム内更新日: 2023-11-08 01:27:36.414252
Title: Federated Learning and Meta Learning: Approaches, Applications, and Directions
Title（参考訳）: 連合学習とメタ学習:アプローチ、応用、方向性
Authors: Xiaonan Liu and Yansha Deng and Arumugam Nallanathan and Mehdi Bennis
Abstract要約: 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。
参考スコア（独自算出の注目度）: 94.68423258028285
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Over the past few years, significant advancements have been made in the field of machine learning (ML) to address resource management, interference management, autonomy, and decision-making in wireless networks. Traditional ML approaches rely on centralized methods, where data is collected at a central server for training. However, this approach poses a challenge in terms of preserving the data privacy of devices. To address this issue, federated learning (FL) has emerged as an effective solution that allows edge devices to collaboratively train ML models without compromising data privacy. In FL, local datasets are not shared, and the focus is on learning a global model for a specific task involving all devices. However, FL has limitations when it comes to adapting the model to devices with different data distributions. In such cases, meta learning is considered, as it enables the adaptation of learning models to different data distributions using only a few data samples. In this tutorial, we present a comprehensive review of FL, meta learning, and federated meta learning (FedMeta). Unlike other tutorial papers, our objective is to explore how FL, meta learning, and FedMeta methodologies can be designed, optimized, and evolved, and their applications over wireless networks. We also analyze the relationships among these learning algorithms and examine their advantages and disadvantages in real-world applications.
Abstract（参考訳）: ここ数年、リソース管理、干渉管理、自律性、無線ネットワークにおける意思決定に対処するため、機械学習(ML)の分野で大きな進歩を遂げてきた。従来のMLアプローチは、トレーニングのために中央サーバでデータを収集する集中型メソッドに依存している。しかし、このアプローチはデバイスのデータのプライバシを維持するという点で課題となる。この問題に対処するため、フェデレーション学習(fl)は、データプライバシを損なうことなく、エッジデバイスが協調的にmlモデルをトレーニングできる効果的なソリューションとして浮上した。 FLでは、ローカルデータセットは共有されず、すべてのデバイスを含む特定のタスクのグローバルモデル学習に重点を置いている。しかし、FLは、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に関して制限がある。このような場合、メタラーニングは、少数のデータサンプルを用いて異なるデータ分布に学習モデルの適応を可能にするため、考慮される。本稿では,fl,meta learning,federated meta learning (fedmeta)の包括的レビューを紹介する。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。また、これらの学習アルゴリズム間の関係を分析し、実世界の応用におけるそれらの利点と欠点について検討する。

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。