論文の概要: Federated Learning: Organizational Opportunities, Challenges, and Adoption Strategies

• arxiv url: http://arxiv.org/abs/2308.02219v2
• Date: Wed, 6 Sep 2023 12:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 18:24:56.950620
• Title: Federated Learning: Organizational Opportunities, Challenges, and Adoption Strategies
• Title（参考訳）: 連合学習: 組織的機会、挑戦、導入戦略
• Authors: Joaquin Delgado Fernandez, Martin Brennecke, Tom Barbereau, Alexander Rieger, Gilbert Fridgen
• Abstract要約: フェデレートラーニングにより、分散クライアントは、各トレーニングデータを他の人と共有することなく、モデルを協調的にトレーニングできる。 我々は,情報システム研究者にとって,連合学習は学際的機会の豊富な組織的課題を提示すると主張する。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Restrictive rules for data sharing in many industries have led to the development of federated learning. Federated learning is a machine-learning technique that allows distributed clients to train models collaboratively without the need to share their respective training data with others. In this paper, we first explore the technical foundations of federated learning and its organizational opportunities. Second, we present a conceptual framework for the adoption of federated learning, mapping four types of organizations by their artificial intelligence capabilities and limits to data sharing. We then discuss why exemplary organizations in different contexts - including public authorities, financial service providers, manufacturing companies, as well as research and development consortia - might consider different approaches to federated learning. To conclude, we argue that federated learning presents organizational challenges with ample interdisciplinary opportunities for information systems researchers.
• Abstract（参考訳）: 多くの産業におけるデータ共有の制限的ルールは、連合学習の発展につながっている。 フェデレートラーニング(Federated Learning)は、分散クライアントが各トレーニングデータを他の人と共有することなく、モデルの共同トレーニングを可能にする機械学習技術である。 本稿では,まず,連合学習の技術的基盤とその組織的機会について考察する。 第2に,フェデレートドラーニングの採用のための概念的枠組み,人工知能能力とデータ共有制限による4種類の組織をマッピングする。 次に,公共機関,金融サービスプロバイダ,製造企業,研究開発コンテンシアなど,さまざまなコンテキストの例題的な組織が,フェデレーション学習に対する異なるアプローチを検討する理由について論じる。 結論として,連合学習は,情報システム研究者に十分な学際的機会を与える組織的課題を提示する。

関連論文リスト

• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Knowledge-Injected Federated Learning [44.89926234630289]
  フェデレートラーニング(Federated Learning)は、分散データセットからモデルをトレーニングするための新興技術である。 多くのアプリケーションにおいて、フェデレート学習システムに参加しているデータ所有者は、データだけでなく、一連のドメイン知識も保持する。 参加者のドメイン知識を注入できる連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-16T04:23:06Z)
• Combined Federated and Split Learning in Edge Computing for Ubiquitous Intelligence in Internet of Things: State of the Art and Future Directions [1.8259323824078306]
  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、IoT(Internet of Things)におけるユビキタスインテリジェンスを大幅に促進する2つの新しいコラボレーティブラーニング手法である。 フェデレートラーニングと分割ラーニングの最新の展開をレビューし、エッジコンピューティングベースのIoT環境においてこれらの2つのラーニング手法を組み合わせるための最先端技術について調査する。
  論文  参考訳（メタデータ） (2022-07-20T01:31:22Z)
• From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
  分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。 本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。 本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
  論文  参考訳（メタデータ） (2021-04-29T14:15:11Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)
• IBM Federated Learning: an Enterprise Framework White Paper V0.1 [28.21579297214125]
  Federated Learning(FL)は、トレーニングデータを単一の場所で集中化せずに機械学習を実行するアプローチである。 このフレームワークは、最も一般的な機械学習ライブラリに対する従来のアプローチと同様に、Deep Neural Networksにも適用される。
  論文  参考訳（メタデータ） (2020-07-22T05:32:00Z)
• Knowledge Federation: A Unified and Hierarchical Privacy-Preserving AI Framework [25.950286526030645]
  我々は、データプライバシとオーナシップを維持しながらAIを有効にすることで課題に対処する包括的なフレームワーク(知識フェデレーション - KF)を提案する。 KFは,(1)情報レベル,低レベル統計量,データの計算,単純なクエリの要求を満たすこと,(2)訓練,学習,推論をサポートするモデルレベル,(3)抽象的・文脈の抽象的特徴表現を可能にする認知レベル,(4)知識レベル,知識発見,表現,推論の融合,の4つのレベルから構成される。 我々は、生産品質を提供するために、iBond Platformと呼ばれるKFのリファレンス実装を開発した。
  論文  参考訳（メタデータ） (2020-02-05T05:23:35Z)

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。