論文の概要: A Comprehensive Empirical Study of Bugs in Open-Source Federated Learning Frameworks

• arxiv url: http://arxiv.org/abs/2308.05014v2
• Date: Fri, 6 Oct 2023 09:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 05:03:11.774328
• Title: A Comprehensive Empirical Study of Bugs in Open-Source Federated Learning Frameworks
• Title（参考訳）: オープンソースフェデレーション学習フレームワークにおけるバグの総合的研究
• Authors: Weijie Shao and Yuyang Gao and Fu Song and Sen Chen and Lingling Fan and JingZhu He
• Abstract要約: Federated Learning(FL)は、分散機械学習(ML)パラダイムであり、複数のクライアントがクライアントのデータプライバシを公開することなく、共同でMLモデルをトレーニングすることができる。 FLの適用を促進するために、さまざまなFLフレームワークが提案されている。 FLフレームワークのバグを包括的に収集し,分類し,特徴付けるための,最初の実証的研究を行った。
• 参考スコア（独自算出の注目度）: 11.835104059182832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is a distributed machine learning (ML) paradigm, allowing multiple clients to collaboratively train shared machine learning (ML) models without exposing clients' data privacy. It has gained substantial popularity in recent years, especially since the enforcement of data protection laws and regulations in many countries. To foster the application of FL, a variety of FL frameworks have been proposed, allowing non-experts to easily train ML models. As a result, understanding bugs in FL frameworks is critical for facilitating the development of better FL frameworks and potentially encouraging the development of bug detection, localization and repair tools. Thus, we conduct the first empirical study to comprehensively collect, taxonomize, and characterize bugs in FL frameworks. Specifically, we manually collect and classify 1,119 bugs from all the 676 closed issues and 514 merged pull requests in 17 popular and representative open-source FL frameworks on GitHub. We propose a classification of those bugs into 12 bug symptoms, 12 root causes, and 18 fix patterns. We also study their correlations and distributions on 23 functionalities. We identify nine major findings from our study, discuss their implications and future research directions based on our findings.
• Abstract（参考訳）: federated learning (fl) は分散機械学習 (ml) パラダイムであり、複数のクライアントが共有機械学習 (ml) モデルをクライアントのデータプライバシを公開することなく協調的にトレーニングできる。 近年、特に多くの国でデータ保護法や規制が施行されて以来、大きな人気を集めている。 flの適用を促進するために、多くのflフレームワークが提案されており、非専門家が簡単にmlモデルをトレーニングできるようになっている。 その結果、FLフレームワークのバグを理解することは、より良いFLフレームワークの開発を容易にし、バグ検出、ローカライゼーション、修復ツールの開発を促進するために重要である。 そこで我々は,flフレームワークのバグを包括的に収集し,分類し,特徴付ける最初の実証研究を行う。 具体的には、github上の17の人気のあるオープンソースflフレームワークで、676のクローズドイシューと514のマージプルリクエストから1,119のバグを手動で収集し、分類します。 これらのバグを12のバグ症状,12の根本原因,18の修正パターンに分類する。 また,23個の関数の相関関係と分布について検討した。 本研究から9つの主要な知見を抽出し,その意義と今後の研究方向性について考察した。

関連論文リスト

• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• BLAZE: Cross-Language and Cross-Project Bug Localization via Dynamic Chunking and Hard Example Learning [1.9854146581797698]
  BLAZEは動的チャンキングとハードサンプル学習を採用するアプローチである。 プロジェクト横断と言語横断のバグローカライゼーションを強化するために、難しいバグケースを使用してGPTベースのモデルを微調整する。 BLAZEは、トップ1の精度で120%、平均平均精度(MAP)で144%、平均相互ランク(MRR)で100%上昇する。
  論文  参考訳（メタデータ） (2024-07-24T20:44:36Z)
• The Fact Selection Problem in LLM-Based Program Repair [3.7005619077967133]
  コードコンテキストのような単純な構文的な詳細から、以前はPythonプロジェクトのコンテキストで探索されていなかった意味情報まで、それぞれの事実が有益であることを示す。 重要なことは、プログラム修復プロンプトの有効性は、使用済み事実の数よりも非単調であることが判明した。 我々は、特定のバグに固有の事実を抽出し、プロンプトに含める基本統計モデルManipleを開発した。
  論文  参考訳（メタデータ） (2024-04-08T13:41:32Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  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)
• 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)
• 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)
• 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)
• Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
  フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。 FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
  論文  参考訳（メタデータ） (2022-05-18T10:47:09Z)
• Federated Learning from Only Unlabeled Data with Class-Conditional-Sharing Clients [98.22390453672499]
  Supervised Federated Learning (FL)は、複数のクライアントがラベル付きデータを共有せずにトレーニングされたモデルを共有することを可能にする。 本研究では,教師なし学習(FedUL)のフェデレーションを提案し,各クライアントのラベル付きデータにラベル付きデータを変換する。
  論文  参考訳（メタデータ） (2022-04-07T09:12:00Z)
• Silent Bugs in Deep Learning Frameworks: An Empirical Study of Keras and TensorFlow [13.260758930014154]
  ディープラーニング(DL)フレームワークは今や広く使われており、複雑なモデルの作成を単純化し、DLの専門家でない人たちにも様々なアプリケーションとの統合が可能である。 本稿では,無声バグと呼ばれるバグのサブカテゴリを扱い,誤った動作を導くが,システムクラッシュやハングを発生させることなく,エラーメッセージをユーザに提示する。 本稿では,Kerasとサイレントバグに関する最初の実証的研究とそのユーザプログラムへの影響について述べる。
  論文  参考訳（メタデータ） (2021-12-26T04:18:57Z)
• A Systematic Literature Review on Federated Learning: From A Model Quality Perspective [10.725466627592732]
  フェデレートラーニング(FL)は、データをローカルに残してグローバルモデルを共同でトレーニングすることができる。 本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。
  論文  参考訳（メタデータ） (2020-12-01T05:48:36Z)

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。