論文の概要: A Systematic Literature Review on Client Selection in Federated Learning

• arxiv url: http://arxiv.org/abs/2306.04862v1
• Date: Thu, 8 Jun 2023 01:26:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 16:52:53.467085
• Title: A Systematic Literature Review on Client Selection in Federated Learning
• Title（参考訳）: フェデレーション学習における顧客選択に関する体系的文献レビュー
• Authors: Carl Smestad (1) and Jingyue Li (2) ((1) Norwegian University of Science and Technology, (2) Norwegian University of Science and Technology)
• Abstract要約: 2017年にFL(Federated Learning)が発明され、モバイルデバイスなどのクライアントがモデルをトレーニングし、集中型サーバにアップデートを送信する。 このSLRは、FLにおけるクライアントの選択技術の現状を調査し、ソリューションを評価するための課題、ソリューション、メトリクスに答えます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the arising concerns of privacy within machine learning, federated learning (FL) was invented in 2017, in which the clients, such as mobile devices, train a model and send the update to the centralized server. Choosing clients randomly for FL can harm learning performance due to different reasons. Many studies have proposed approaches to address the challenges of client selection of FL. However, no systematic literature review (SLR) on this topic existed. This SLR investigates the state of the art of client selection in FL and answers the challenges, solutions, and metrics to evaluate the solutions. We systematically reviewed 47 primary studies. The main challenges found in client selection are heterogeneity, resource allocation, communication costs, and fairness. The client selection schemes aim to improve the original random selection algorithm by focusing on one or several of the aforementioned challenges. The most common metric used is testing accuracy versus communication rounds, as testing accuracy measures the successfulness of the learning and preferably in as few communication rounds as possible, as they are very expensive. Although several possible improvements can be made with the current state of client selection, the most beneficial ones are evaluating the impact of unsuccessful clients and gaining a more theoretical understanding of the impact of fairness in FL.
• Abstract（参考訳）: マシンラーニング内のプライバシに関する懸念が生まれ、2017年に連合学習(federated learning:fl)が発明され、モバイルデバイスなどのクライアントがモデルをトレーニングし、集中型サーバに更新を送信する。 FLのためにランダムにクライアントを選択することは、異なる理由から学習パフォーマンスを損なう可能性がある。 多くの研究がFLのクライアント選択の課題に対処するためのアプローチを提案している。 しかし、この話題に関する体系的文献レビュー(slr)は存在しなかった。 このSLRは、FLにおけるクライアントの選択技術の現状を調査し、ソリューションを評価するための課題、ソリューション、メトリクスに答えます。 47の初等研究を体系的に検討した。 クライアント選択で見られる主な課題は、異質性、リソース割り当て、通信コスト、公平性である。 クライアント選択方式は、上記の課題の1つまたは複数に焦点をあてて、元のランダム選択アルゴリズムを改善することを目的としている。 最も一般的な測定基準は、コミュニケーションラウンドと精度テストであり、テスト精度は、学習の成功度を計測し、非常に高価であるため、できるだけ少ないコミュニケーションラウンドで好まれる。 クライアント選択の現在の状況ではいくつかの改善が可能であるが、最も有益なものは、失敗するクライアントの影響を評価し、FLにおける公正の影響をより理論的に理解することである。

関連論文リスト

• Submodular Maximization Approaches for Equitable Client Selection in Federated Learning [4.167345675621377]
  従来の学習フレームワークでは、トレーニングのためのクライアント選択は、通常、各イテレーションでクライアントのサブセットをランダムにサンプリングする。 本稿では,ランダムクライアント選択の限界に対処するために,SUBTRUNCとUNIONFLという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-24T22:40:31Z)
• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• Client Selection in Federated Learning: Principles, Challenges, and Opportunities [15.33636272844544]
  Federated Learning(FL)は、機械学習(ML)モデルをトレーニングするためのプライバシー保護パラダイムである。 典型的なFLシナリオでは、クライアントはデータ分散とハードウェア構成の点で大きな異質性を示す。 様々なクライアント選択アルゴリズムが開発され、性能改善が期待できる。
  論文  参考訳（メタデータ） (2022-11-03T01:51:14Z)
• FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
  フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。 本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:59:03Z)
• A Snapshot of the Frontiers of Client Selection in Federated Learning [5.098446527311984]
  分散機械学習におけるプライバシ保護手法としてフェデレートラーニング(FL)が提案されている。 クライアントはデータをローカルマシンに保持でき、ローカルにトレーニングされたモデルのパラメータのみを中央サーバと共有できる。 FLは医療、エネルギー、ファイナンスといった現実のシナリオで有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-09-27T10:08:18Z)
• No One Left Behind: Inclusive Federated Learning over Heterogeneous Devices [79.16481453598266]
  この問題に対処するクライアント包摂的フェデレーション学習手法であるInclusiveFLを提案する。 InclusiveFLの中核となる考え方は、異なるサイズのモデルを異なる計算能力を持つクライアントに割り当てることである。 また,異なる大きさの複数の局所モデル間で知識を共有する効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T13:03:27Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• Stochastic Client Selection for Federated Learning with Volatile Clients [41.591655430723186]
  Federated Learning(FL)は、プライバシ保護機械学習パラダイムである。 同期FLトレーニングの各ラウンドでは、参加できるクライアントはごくわずかである。 本稿では,この問題を解決するためのクライアント選択方式であるE3CSを提案する。
  論文  参考訳（メタデータ） (2020-11-17T16:35:24Z)
• Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning [33.742677763076]
  フェデレートラーニング(FL)は、モデルパラメータがクライアントデータの代わりに交換されるアーキテクチャである。 FLは、コミュニケーションラウンドを通じてクライアントと通信することで、グローバルモデルをトレーニングする。 最適な候補クライアントとIoTクライアントアラームアプリケーションを見つけるために,オンラインステートフルFLを提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:32:31Z)
• Prophet: Proactive Candidate-Selection for Federated Learning by Predicting the Qualities of Training and Reporting Phases [66.01459702625064]
  5Gネットワークでは、トレーニングレイテンシは依然としてフェデレートラーニング(FL)が広く採用されるのを防ぐ障害である。 大きなレイテンシをもたらす最も基本的な問題の1つは、FLの悪い候補選択である。 本稿では,FLの有効候補選択について検討する。
  論文  参考訳（メタデータ） (2020-02-03T06:40:04Z)

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。