論文の概要: Project Florida: Federated Learning Made Easy

• arxiv url: http://arxiv.org/abs/2307.11899v1
• Date: Fri, 21 Jul 2023 20:56:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 19:06:53.660905
• Title: Project Florida: Federated Learning Made Easy
• Title（参考訳）: Project Florida: フェデレーション学習が簡単になった
• Authors: Daniel Madrigal Diaz, Andre Manoel, Jialei Chen, Nalin Singal, Robert Sim
• Abstract要約: 本稿では,大規模フェデレートラーニング(FL)ソリューションの展開を可能にするシステムアーキテクチャとソフトウェア開発キット(SDK)であるProject Floridaを紹介する。 FLは、強力なデータ主権原則に基づく機械学習のアプローチである。 Project Floridaは、クラウドにホストされたインフラストラクチャとタスク管理インターフェースを提供することで、デバイス横断FLソリューションのデプロイ作業の簡略化を目指している。
• 参考スコア（独自算出の注目度）: 4.829821142951709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Project Florida, a system architecture and software development kit (SDK) enabling deployment of large-scale Federated Learning (FL) solutions across a heterogeneous device ecosystem. Federated learning is an approach to machine learning based on a strong data sovereignty principle, i.e., that privacy and security of data is best enabled by storing it at its origin, whether on end-user devices or in segregated cloud storage silos. Federated learning enables model training across devices and silos while the training data remains within its security boundary, by distributing a model snapshot to a client running inside the boundary, running client code to update the model, and then aggregating updated snapshots across many clients in a central orchestrator. Deploying a FL solution requires implementation of complex privacy and security mechanisms as well as scalable orchestration infrastructure. Scale and performance is a paramount concern, as the model training process benefits from full participation of many client devices, which may have a wide variety of performance characteristics. Project Florida aims to simplify the task of deploying cross-device FL solutions by providing cloud-hosted infrastructure and accompanying task management interfaces, as well as a multi-platform SDK supporting most major programming languages including C++, Java, and Python, enabling FL training across a wide range of operating system (OS) and hardware specifications. The architecture decouples service management from the FL workflow, enabling a cloud service provider to deliver FL-as-a-service (FLaaS) to ML engineers and application developers. We present an overview of Florida, including a description of the architecture, sample code, and illustrative experiments demonstrating system capabilities.
• Abstract（参考訳）: 我々は,システムアーキテクチャとソフトウェア開発キット(SDK)であるProject Floridaを紹介した。 フェデレーション学習(federated learning)は、強力なデータ主権原則に基づく機械学習のアプローチである。すなわち、データのプライバシとセキュリティは、エンドユーザデバイスであれ、分離されたクラウドストレージサイロであれ、その起源に格納することで有効になる。 フェデレーション学習は、モデルスナップショットをバウンダリ内で実行されているクライアントに配布し、モデルを更新するためにクライアントコードを実行し、中央オーケストレータ内の多くのクライアント間で更新されたスナップショットを集約することにより、デバイスとサイロ間のモデルトレーニングを可能にする。 FLソリューションのデプロイには、複雑なプライバシとセキュリティメカニズムの実装とスケーラブルなオーケストレーションインフラストラクチャが必要です。 モデルトレーニングプロセスは、多種多様なパフォーマンス特性を持つ多くのクライアントデバイスへの完全参加の恩恵を受けるため、スケールとパフォーマンスが最大の懸念事項である。 Project Floridaは、クラウドにホストされたインフラストラクチャとタスク管理インターフェースを提供し、C++、Java、Pythonを含むほとんどの主要なプログラミング言語をサポートするマルチプラットフォームSDKを提供し、幅広いオペレーティングシステム(OS)とハードウェア仕様でFLトレーニングを可能にすることで、デバイス間のFLソリューションのデプロイを簡単にすることを目指している。 このアーキテクチャはサービス管理をFLワークフローから切り離し、クラウドサービスプロバイダがFL-as-a-service(FLaaS)をMLエンジニアとアプリケーション開発者に提供できるようにする。 本稿では,フロリダの概要を概観し,システム機能を示すアーキテクチャ,サンプルコード,図示実験について述べる。

関連論文リスト

• A Survey on Efficient Federated Learning Methods for Foundation Model Training [66.19763977571114]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• TorchFL: A Performant Library for Bootstrapping Federated Learning Experiments [4.075095403704456]
  本稿では,フェデレート学習実験をブートストラップするパフォーマンスライブラリTorchFLを紹介する。 TorchFLはPyTorchとLightningを使ってボトムアップで設計されている。 PyTorchとLightningを使用したボトムアップ設計に基づいて構築されたTorchFLは、モデル、データセット、FLアルゴリズムのための準備の整った抽象化を提供する。
  論文  参考訳（メタデータ） (2022-11-01T20:31:55Z)
• Exploiting Features and Logits in Heterogeneous Federated Learning [0.2538209532048866]
  フェデレーテッド・ラーニング(FL)は、エッジデバイスの管理を容易にすることで、共有モデルを協調的にトレーニングする。 本稿では,特徴量とロジットを管理することによって異種クライアントモデルをサポートする新しいデータフリーFL法を提案する。 Feloとは異なり、サーバはVeroに条件付きVAEを持ち、これは中レベルの機能をトレーニングし、ラベルに従って合成機能を生成するために使用される。
  論文  参考訳（メタデータ） (2022-10-27T15:11:46Z)
• NVIDIA FLARE: Federated Learning from Simulation to Real-World [11.490933081543787]
  私たちはNVIDIA FLAREをオープンソース開発キット(SDK)として開発しました。 SDKには最先端のFLアルゴリズムとフェデレートされた機械学習アプローチのためのソリューションが含まれている。
  論文  参考訳（メタデータ） (2022-10-24T14:30:50Z)
• 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)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• FedLess: Secure and Scalable Federated Learning Using Serverless Computing [1.141832715860866]
  フェデレートラーニング(FL)は、データをローカルに保ちながら、リモートクライアントが共有MLモデルを学ぶことを可能にする。 本稿では、FedLessと呼ばれるサーバーレスFLのための新しいシステムとフレームワークを提案する。 当社のシステムは,複数の商用および自己ホスト型Fプロバイダをサポートし,クラウド,オンプレミスの機関データセンタ,エッジデバイスにデプロイすることができる。
  論文  参考訳（メタデータ） (2021-11-05T11:14:07Z)
• FLaaS: Federated Learning as a Service [3.128267020893596]
  我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。 概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。 100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:22Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。