論文の概要: Recent Advances on Federated Learning: A Systematic Survey

• arxiv url: http://arxiv.org/abs/2301.01299v1
• Date: Tue, 3 Jan 2023 14:19:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 15:50:25.862095
• Title: Recent Advances on Federated Learning: A Systematic Survey
• Title（参考訳）: 連合学習の最近の進歩:体系的調査
• Authors: Bingyan Liu, Nuoyan Lv, Yuanchun Guo, Yawen Li
• Abstract要約: フェデレートラーニングは、異なる当事者間のプライバシー保護共同学習を実現することを目的としている。 我々は,フェデレートされたシナリオにおけるパイプラインと課題の観点から,フェデレートされた学習の新しい分類法を提案する。 代表的なフェデレーション学習フレームワークを概説し、その機能を紹介します。
• 参考スコア（独自算出の注目度）: 3.6799810892671805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning has emerged as an effective paradigm to achieve privacy-preserving collaborative learning among different parties. Compared to traditional centralized learning that requires collecting data from each party, in federated learning, only the locally trained models or computed gradients are exchanged, without exposing any data information. As a result, it is able to protect privacy to some extent. In recent years, federated learning has become more and more prevalent and there have been many surveys for summarizing related methods in this hot research topic. However, most of them focus on a specific perspective or lack the latest research progress. In this paper, we provide a systematic survey on federated learning, aiming to review the recent advanced federated methods and applications from different aspects. Specifically, this paper includes four major contributions. First, we present a new taxonomy of federated learning in terms of the pipeline and challenges in federated scenarios. Second, we summarize federated learning methods into several categories and briefly introduce the state-of-the-art methods under these categories. Third, we overview some prevalent federated learning frameworks and introduce their features. Finally, some potential deficiencies of current methods and several future directions are discussed.
• Abstract（参考訳）: フェデレーション学習は,プライバシ保護によるコラボレーション学習を実現するための効果的なパラダイムとして現れてきた。 従来の集中型学習と比較すると、連合学習では、データ情報を公開することなく、局所的に訓練されたモデルや計算された勾配のみが交換される。 その結果、プライバシーをある程度保護することができる。 近年,連合学習が普及し,このホットな研究テーマでは,関連する手法を要約する調査が数多く行われている。 しかし、それらのほとんどは特定の視点にフォーカスするか、最新の研究の進歩を欠いている。 本稿では,最近の先進的なフェデレーション手法と応用を異なる側面から見直すことを目的とした,フェデレーション学習に関する体系的調査を行う。 具体的には,4つの大きな貢献について述べる。 まず,フェデレーション学習の新たな分類法として,パイプラインとフェデレーションシナリオにおける課題について述べる。 第2に,連合学習手法をいくつかのカテゴリにまとめた上で,これらのカテゴリにおける最先端の手法を簡潔に紹介する。 第3に、広く普及している連合学習フレームワークを概説し、その機能を紹介する。 最後に,現在の手法の潜在的な欠陥と今後の方向性について論じる。

関連論文リスト

• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• Advances in Robust Federated Learning: Heterogeneity Considerations [25.261572089655264]
  主な課題は、異なるデータ分散、モデル構造、タスク目標、計算能力、通信リソースを持つ複数のクライアントでモデルを効率的にトレーニングすることである。 本稿ではまず,不均一なフェデレーション学習の基本概念について概説する。 次に、フェデレーション学習における研究課題を、データ、モデル、タスク、デバイス、コミュニケーションの5つの側面の観点から要約する。
  論文  参考訳（メタデータ） (2024-05-16T06:35:42Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• On Knowledge Editing in Federated Learning: Perspectives, Challenges, and Future Directions [36.733628606028184]
  本稿では,フェデレートラーニングにおける知識編集(強化/削除)の話題について広範な調査を行う。 FLのライフサイクル全体を再評価することにより、FEL(Federated Editable Learning)と呼ばれる統合パラダイムを導入する。
  論文  参考訳（メタデータ） (2023-06-02T10:42:47Z)
• Novel Class Discovery: an Introduction and Key Concepts [54.11148718494725]
  新たなクラスディスカバリ(NCD)は、既知のクラスのラベル付きセットと、発見しなければならない異なるクラスのラベル付きセットをトレーニング中に与えられる、成長する分野です。 本稿では,最先端のNCD手法に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-02-22T10:07:01Z)
• Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
  従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。 本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-24T04:36:07Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)

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。