Fugu-MT 論文翻訳(概要): Federated Learning without Full Labels: A Survey

論文の概要: Federated Learning without Full Labels: A Survey

arxiv url: http://arxiv.org/abs/2303.14453v1
Date: Sat, 25 Mar 2023 12:13:31 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 19:44:33.095359
Title: Federated Learning without Full Labels: A Survey
Title（参考訳）: 完全ラベルのない連合学習:調査
Authors: Yilun Jin, Yang Liu, Kai Chen, Qiang Yang
Abstract要約: 本稿では,フェデレーション学習と半教師付き学習,自己教師型学習,移動学習を併用する手法について検討する。また、フルラベルなしでFLメソッドを評価するために使われるデータセットを要約する。
参考スコア（独自算出の注目度）: 23.49131075675469
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data privacy has become an increasingly important concern in real-world big data applications such as machine learning. To address the problem, federated learning (FL) has been a promising solution to building effective machine learning models from decentralized and private data. Existing federated learning algorithms mainly tackle the supervised learning problem, where data are assumed to be fully labeled. However, in practice, fully labeled data is often hard to obtain, as the participants may not have sufficient domain expertise, or they lack the motivation and tools to label data. Therefore, the problem of federated learning without full labels is important in real-world FL applications. In this paper, we discuss how the problem can be solved with machine learning techniques that leverage unlabeled data. We present a survey of methods that combine FL with semi-supervised learning, self-supervised learning, and transfer learning methods. We also summarize the datasets used to evaluate FL methods without full labels. Finally, we highlight future directions in the context of FL without full labels.
Abstract（参考訳）: データプライバシは、機械学習のような現実世界のビッグデータアプリケーションにおいて、ますます重要になっている。この問題に対処するため、フェデレートラーニング(FL)は、分散データとプライベートデータから効果的な機械学習モデルを構築するための有望なソリューションである。既存のフェデレーション学習アルゴリズムは主に、データが完全にラベル付けされていると仮定される教師付き学習問題に対処する。しかし、実際には、完全なラベル付きデータを得るのはしばしば困難であり、参加者は十分なドメインの専門知識を持っていないか、データにラベルをつける動機やツールが欠如している。したがって、フルラベルのない連合学習の問題は実世界のflアプリケーションにおいて重要である。本稿では,ラベルのないデータを活用する機械学習技術を用いて,この問題の解決方法について論じる。本稿では,FLと半教師付き学習,自己教師付き学習,移動学習を併用する手法について調査する。また、フルラベルなしでFLメソッドを評価するために使われるデータセットを要約する。最後に、完全なラベルなしでflのコンテキストで将来の方向性を強調する。

関連論文リスト

Contrastive Federated Learning with Tabular Data Silos [9.516897428263146]
データサイロから学習するためのソリューションとして,データサイロを用いたコントラシティブフェデレーション学習(CFL)を提案する。 CFLはこれらの課題に対処し、精度を向上させるために現在の手法より優れています。複雑なクライアント環境において,コントラッシブ・フェデレート・ラーニング・アプローチの利点を示す肯定的な結果を示す。
論文参考訳（メタデータ） (2024-09-10T00:24:59Z)
TOFU: A Task of Fictitious Unlearning for LLMs [99.92305790945507]
Webからの大量のコーパスに基づいてトレーニングされた大規模な言語モデルは、法的および倫理的懸念を提起する機密データやプライベートデータを再現することができる。トレーニングデータに存在する情報を忘れるためにモデルをチューニングするアンラーニングは、トレーニング後のプライベートデータを保護する手段を提供する。未学習の理解を深めるためのベンチマークであるTOFUを紹介する。
論文参考訳（メタデータ） (2024-01-11T18:57:12Z)
FlexSSL : A Generic and Efficient Framework for Semi-Supervised Learning [19.774959310191623]
我々はFlexSSLと呼ばれる汎用的で効率的な学習フレームワークを開発した。我々はFlexSSLが半教師付き学習アルゴリズムの性能を継続的に向上できることを示す。
論文参考訳（メタデータ） (2023-12-28T08:31:56Z)
FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness for Semi-Supervised Learning [73.13448439554497]
Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
論文参考訳（メタデータ） (2023-10-25T06:57:59Z)
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)
Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文参考訳（メタデータ） (2021-10-24T22:33:52Z)
FedSEAL: Semi-Supervised Federated Learning with Self-Ensemble Learning and Negative Learning [7.771967424619346]
Federated Learning (FL) は、分散化されたプライバシ保護機械学習(FL)フレームワークとして人気がある。本稿では,この半教師付きフェデレート学習(SSFL)問題を解くために,FedSEALと呼ばれる新しいFLアルゴリズムを提案する。提案アルゴリズムは,自己アンサンブル学習と相補的負学習を利用して,未ラベルデータに対するクライアントの教師なし学習の精度と効率を両立させる。
論文参考訳（メタデータ） (2021-10-15T03:03:23Z)
Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2020-06-22T09:43:41Z)
Towards Utilizing Unlabeled Data in Federated Learning: A Survey and Prospective [18.40606952418594]
近年,フェデレートラーニング(FL)が研究者から注目されている。 FLのほとんどのアプリケーション、例えばキーボードの予測、ラベル付けデータでは、ほとんど追加の努力は必要ありません。 FLにおけるラベルなしデータの活用の必要性を特定し,その目的に寄与する可能性のある研究分野を調査する。
論文参考訳（メタデータ） (2020-02-26T14:56:52Z)
Exploiting Unlabeled Data in Smart Cities using Federated Learning [2.362412515574206]
フェデレートラーニングは、プライバシー侵害を回避し、データの利用を増やすための効果的なテクニックである。ラベルなしデータを利用した半教師付きフェデレーション学習手法FedSemを提案する。その結果,FedSemは学習過程におけるラベルなしデータを利用して精度を最大8%向上できることがわかった。
論文参考訳（メタデータ） (2020-01-10T13:25:34Z)
Leveraging Semi-Supervised Learning for Fairness using Neural Networks [49.604038072384995]
機械学習に基づく意思決定システムの公平性に対する懸念が高まっている。本稿では,ラベルのないデータから得られるニューラルネットワークを用いた半教師付きアルゴリズムを提案する。提案したSSFairと呼ばれるモデルは、ラベルのないデータの情報を活用して、トレーニングデータのバイアスを軽減する。
論文参考訳（メタデータ） (2019-12-31T09:11:26Z)

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。