論文の概要: XFL: A High Performace, Lightweighted Federated Learning Framework
- arxiv url: http://arxiv.org/abs/2302.05076v1
- Date: Fri, 10 Feb 2023 06:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 16:30:00.085480
- Title: XFL: A High Performace, Lightweighted Federated Learning Framework
- Title(参考訳): XFL: ハイパフォーマンスで軽量なフェデレーション学習フレームワーク
- Authors: Hong Wang, Yuanzhi Zhou, Chi Zhang, Chen Peng, Mingxia Huang, Yi Liu,
Lintao Zhang
- Abstract要約: 本稿では,産業レベルの連邦学習プロジェクトであるXFLを紹介する。
XFLは、複数のデバイス上で協調的にAIモデルのトレーニングをサポートする。
XFLは豊富なアルゴリズムライブラリを提供し、多数のプレビルドされ、セキュアで、優れたフェデレーション付き学習アルゴリズムを統合する。
- 参考スコア(独自算出の注目度): 13.226640330138844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces XFL, an industrial-grade federated learning project.
XFL supports training AI models collaboratively on multiple devices, while
utilizes homomorphic encryption, differential privacy, secure multi-party
computation and other security technologies ensuring no leakage of data. XFL
provides an abundant algorithms library, integrating a large number of
pre-built, secure and outstanding federated learning algorithms, covering both
the horizontally and vertically federated learning scenarios. Numerical
experiments have shown the prominent performace of these algorithms. XFL builds
a concise configuration interfaces with presettings for all federation
algorithms, and supports the rapid deployment via docker containers.Therefore,
we believe XFL is the most user-friendly and easy-to-develop federated learning
framework. XFL is open-sourced, and both the code and documents are available
at https://github.com/paritybit-ai/XFL.
- Abstract(参考訳): 本稿では,産業レベルの連邦学習プロジェクトであるXFLを紹介する。
xflは、ホモモーフィック暗号化、差分プライバシー、セキュアなマルチパーティ計算、その他のセキュリティ技術を利用して、複数のデバイス上で協調してaiモデルをトレーニングする。
xflは豊富なアルゴリズムライブラリを提供し、多数の事前構築され、セキュアで、優れた連合学習アルゴリズムを統合し、水平および垂直連合学習シナリオをカバーする。
数値実験によりこれらのアルゴリズムの顕著な性能が示された。
XFLは、すべてのフェデレーションアルゴリズムのプリセットを備えた簡潔な設定インターフェースを構築し、dockerコンテナによる迅速なデプロイをサポートします。
XFLはオープンソースであり、コードとドキュメントはhttps://github.com/paritybit-ai/XFLで入手できる。
関連論文リスト
- Communication Efficient ConFederated Learning: An Event-Triggered SAGA
Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。
単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。
本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文 参考訳(メタデータ) (2024-02-28T03:27:10Z) - PFLlib: Personalized Federated Learning Algorithm Library [27.954706790789434]
PFLlibは総合的なpFLアルゴリズムライブラリであり、統合評価プラットフォームを備えている。
7つの古典的tFLアルゴリズムと27のpFLアルゴリズムを含む34の最先端FLアルゴリズムを実装した。
PFLlibはすでに850のスターと199のフォークをGitHubで獲得している。
論文 参考訳(メタデータ) (2023-12-08T12:03:08Z) - APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a
Service [1.5070429249282935]
クロスサイロプライバシ保護フェデレーション学習(PPFL)は、機密性の高いローカルデータを共有することなく、堅牢で一般化された機械学習(ML)モデルを協調的にトレーニングする強力なツールである。
APPFLxは、プライバシ保護のためのクロスサイロ・フェデレーション・ラーニング・アズ・ア・サービスを提供する。
論文 参考訳(メタデータ) (2023-08-17T05:15:47Z) - Hierarchical Personalized Federated Learning Over Massive Mobile Edge
Computing Networks [95.39148209543175]
大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。
HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
論文 参考訳(メタデータ) (2023-03-19T06:00:05Z) - Hijack Vertical Federated Learning Models As One Party [43.095945038428404]
Vertical Federated Learning(VFL)は、コラボレーション者が分散形式で機械学習モデルを一緒に構築できるようにする、新たなパラダイムである。
既存のVFLフレームワークは、データのプライバシとセキュリティ保証を提供するために暗号化技術を使用している。
論文 参考訳(メタデータ) (2022-12-01T07:12:38Z) - Low-Latency Cooperative Spectrum Sensing via Truncated Vertical
Federated Learning [51.51440623636274]
データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。
学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。
T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
論文 参考訳(メタデータ) (2022-08-07T10:39:27Z) - Desirable Companion for Vertical Federated Learning: New Zeroth-Order
Gradient Based Algorithm [140.25480610981504]
VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。
ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-19T13:55:47Z) - Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
フェデレートラーニング(FL)は異種分散データに対して脆弱である。
この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。
既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。
我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
論文 参考訳(メタデータ) (2022-01-27T08:43:11Z) - EasyFL: A Low-code Federated Learning Platform For Dummies [21.984721627569783]
低コードフェデレーテッドラーニング(FL)プラットフォームであるEasyFLを初めて提案し、さまざまなレベルの専門知識を持つユーザーが、少ないコーディングでFLアプリケーションを実験およびプロトタイプできるようにします。
ほんの数行のコードで、EasyFLは実験とデプロイを加速するために、すぐに使える多くの機能を提供します。
私たちの実装は、EasyFLがバニラFLアプリケーションを構築するのにわずか3行のコードを必要とすることを示しています。
論文 参考訳(メタデータ) (2021-05-17T04:15:55Z) - OpenFL: An open-source framework for Federated Learning [41.03632020180591]
Federated Learning(FL)は、組織が機密データを共有せずに機械学習(ML)プロジェクトに協力できる計算パラダイムである。
OpenFLは、FLのデータプライベート共同学習パラダイムを使用してMLアルゴリズムを訓練するためのオープンソースのフレームワークです。
論文 参考訳(メタデータ) (2021-05-13T16:40:19Z) - FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。
既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。
FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
論文 参考訳(メタデータ) (2020-07-27T13:02:08Z)
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。