論文の概要: Towards Open Federated Learning Platforms: Survey and Vision from
Technical and Legal Perspectives
- arxiv url: http://arxiv.org/abs/2307.02140v2
- Date: Thu, 18 Jan 2024 07:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 20:35:10.794810
- Title: Towards Open Federated Learning Platforms: Survey and Vision from
Technical and Legal Perspectives
- Title（参考訳）: オープンフェデレーション学習プラットフォームに向けて:技術と法の観点からの調査と展望
- Authors: Moming Duan
- Abstract要約: 従来のフェデレートラーニング(FL)は、サーバが支配する協調パラダイムに従っています。
私たちは、現在のFLフレームワークの設計を再考し、より一般的な概念であるOpen Federated Learning Platformに拡張することを提唱します。
技術的・法的両面からオープンなFLプラットフォーム構築の可能性について総合的に検討する。
- 参考スコア（独自算出の注目度）: 1.25097469793837
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Traditional Federated Learning (FL) follows a server-domincated cooperation
paradigm which narrows the application scenarios of FL and decreases the
enthusiasm of data holders to participate. To fully unleash the potential of
FL, we advocate rethinking the design of current FL frameworks and extending it
to a more generalized concept: Open Federated Learning Platforms. We propose
two reciprocal cooperation frameworks for FL to achieve this: query-based FL
and contract-based FL. In this survey, we conduct a comprehensive review of the
feasibility of constructing an open FL platform from both technical and legal
perspectives. We begin by reviewing the definition of FL and summarizing its
inherent limitations, including server-client coupling, low model reusability,
and non-public. In the query-based FL platform, which is an open model sharing
and reusing platform empowered by the community for model mining, we explore a
wide range of valuable topics, including the availability of up-to-date model
repositories for model querying, legal compliance analysis between different
model licenses, and copyright issues and intellectual property protection in
model reusing. In particular, we introduce a novel taxonomy to streamline the
analysis of model license compatibility in FL studies that involve batch model
reusing methods, including combination, amalgamation, distillation, and
generation. This taxonomy provides a systematic framework for identifying the
corresponding clauses of licenses and facilitates the identification of
potential legal implications and restrictions when reusing models. Through this
survey, we uncover the the current dilemmas faced by FL and advocate for the
development of sustainable open FL platforms. We aim to provide guidance for
establishing such platforms in the future, while identifying potential problems
and challenges that need to be addressed.
- Abstract（参考訳）: 従来のフェデレートラーニング(FL)は、FLのアプリケーションシナリオを狭め、データ保有者の熱意を減らし、サーバが支配する協調パラダイムに従っています。
FLの可能性を完全に解き放つために、私たちは現在のFLフレームワークの設計を再考し、より一般化された概念であるOpen Federated Learning Platformsに拡張することを提唱します。
本稿では,FLの相互協調フレームワークとして,クエリベースFLとコントラクトベースFLの2つを提案する。
本稿では,技術面と法的面の両方から,オープンなflプラットフォームの構築可能性について総合的なレビューを行う。
まず、flの定義を見直し、サーバ-クライアント結合、低モデル再利用性、非パブリックなど、固有の制限をまとめます。
モデルマイニングコミュニティが権限を持つオープンモデル共有および再利用プラットフォームであるクエリベースのflプラットフォームでは、モデルクエリのための最新モデルリポジトリの可用性、異なるモデルライセンス間の法的コンプライアンス分析、モデル再利用における著作権問題、知的財産保護など、幅広い価値のあるトピックを探求する。
特に,コンビネーション,アマルガメーション,蒸留,生成を含むバッチモデル再利用法を含むfl研究において,モデルライセンス互換性の分析を合理化する新しい分類法を提案する。
この分類法は、ライセンスの対応する条項を識別するための体系的な枠組みを提供し、モデルの再使用時に潜在的な法的意味と制限の識別を容易にする。
この調査を通じて、FLが直面する現在のジレンマを明らかにし、持続可能なオープンFLプラットフォームの開発を提唱する。
私たちは、将来的にそのようなプラットフォームを確立するためのガイダンスを提供し、対処すべき潜在的な問題と課題を特定します。
関連論文リスト
- Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。
本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。
本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文 参考訳（メタデータ） (2024-09-17T22:20:26Z) - Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。
我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。
我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
論文 参考訳（メタデータ） (2023-05-29T22:51:40Z) - Bayesian Federated Learning: A Survey [54.40136267717288]
フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。
既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。
BFLはこれらの問題に対処するための有望なアプローチとして登場した。
論文 参考訳（メタデータ） (2023-04-26T03:41:17Z) - Vertical Federated Learning: A Structured Literature Review [0.0]
フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。
本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
論文 参考訳（メタデータ） (2022-12-01T16:16:41Z) - ModularFed: Leveraging Modularity in Federated Learning Frameworks [8.139264167572213]
本稿では,フェデレートラーニング(FL)実装の複雑さに対処する研究に焦点を当てたフレームワークを提案する。
このアーキテクチャでは、プロトコルはフレームワークのコンポーネントの設計を厳密に定義する青写真である。
我々のプロトコルはFLにおけるモジュラリティの実現を目的としており、サードパーティのプラグイン・アンド・プレイアーキテクチャと動的シミュレータをサポートしています。
論文 参考訳（メタデータ） (2022-10-31T10:21:19Z) - UniFed: All-In-One Federated Learning Platform to Unify Open-Source
Frameworks [53.20176108643942]
オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。
UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。
機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
論文 参考訳（メタデータ） (2022-07-21T05:03:04Z) - FederatedScope: A Comprehensive and Flexible Federated Learning Platform
via Message Passing [63.87056362712879]
我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。
手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。
我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
論文 参考訳（メタデータ） (2022-04-11T11:24:21Z) - Towards Verifiable Federated Learning [15.758657927386263]
Federated Learning(FL)は、強力なモデルを構築しながらユーザのプライバシを保存する、コラボレーション機械学習の新たなパラダイムである。
自己関心のある団体によるオープンな参加の性質から、FLは正当なFL参加者による潜在的な不適切な行動から守らなければならない。
検証可能なフェデレーション学習は、学界や業界からも大きな関心を集めている研究の新たな話題となっている。
論文 参考訳（メタデータ） (2022-02-15T09:52:25Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。