論文の概要: APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a Service

• arxiv url: http://arxiv.org/abs/2308.08786v1
• Date: Thu, 17 Aug 2023 05:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 17:55:31.462967
• Title: APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a Service
• Title（参考訳）: appflx: プライバシ保護型クロスサイロフェデレーション学習をサービスとして提供する
• Authors: Zilinghan Li, Shilan He, Pranshu Chaturvedi, Trung-Hieu Hoang, Minseok Ryu, E. A. Huerta, Volodymyr Kindratenko, Jordan Fuhrman, Maryellen Giger, Ryan Chard, Kibaek Kim, Ravi Madduri
• Abstract要約: クロスサイロプライバシ保護フェデレーション学習(PPFL)は、機密性の高いローカルデータを共有することなく、堅牢で一般化された機械学習(ML)モデルを協調的にトレーニングする強力なツールである。 APPFLxは、プライバシ保護のためのクロスサイロ・フェデレーション・ラーニング・アズ・ア・サービスを提供する。
• 参考スコア（独自算出の注目度）: 1.5070429249282935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-silo privacy-preserving federated learning (PPFL) is a powerful tool to collaboratively train robust and generalized machine learning (ML) models without sharing sensitive (e.g., healthcare of financial) local data. To ease and accelerate the adoption of PPFL, we introduce APPFLx, a ready-to-use platform that provides privacy-preserving cross-silo federated learning as a service. APPFLx employs Globus authentication to allow users to easily and securely invite trustworthy collaborators for PPFL, implements several synchronous and asynchronous FL algorithms, streamlines the FL experiment launch process, and enables tracking and visualizing the life cycle of FL experiments, allowing domain experts and ML practitioners to easily orchestrate and evaluate cross-silo FL under one platform. APPFLx is available online at https://appflx.link
• Abstract（参考訳）: クロスサイロプライバシ保存フェデレーションラーニング(PPFL)は、機密データ(例えば金融分野の医療)を共有することなく、堅牢で汎用的な機械学習(ML)モデルを協調訓練する強力なツールである。 当社では,ppflの採用を容易かつ加速するために,プライバシ保護型クロスサイロフェデレーション学習をサービスとして提供する,利用準備が整ったプラットフォームであるappflxを紹介する。 APPFLxはGlobus認証を使用して、PPFLの信頼性の高いコラボレータを簡単かつ安全に招待し、いくつかの同期および非同期FLアルゴリズムを実装し、FL実験のローンチプロセスを合理化し、FL実験のライフサイクルを追跡および視覚化し、ドメインの専門家とML実践者が1つのプラットフォーム下で簡単にクロスサイロFLをオーケストレーションし評価することができる。 appflxはhttps://appflx.linkで利用可能である。

関連論文リスト

• EdgeFL: A Lightweight Decentralized Federated Learning Framework [8.934690279361286]
  エッジオンリーで軽量な分散FLフレームワークであるEdgeFLを紹介します。 エッジのみのモデルトレーニングとアグリゲーションアプローチを採用することで、EdgeFLは、中央サーバの必要性を排除することができる。 既存のFLプラットフォームやフレームワークと比較して,EdgeFLは優れたパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-06T11:55:41Z)
• 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)
• Collaborating Heterogeneous Natural Language Processing Tasks via Federated Learning [55.99444047920231]
  提案するATCフレームワークは, 各種ベースライン手法と比較して, 大幅な改善を実現している。 自然言語理解(NLU)タスクと自然言語生成(NLG)タスクを対象とする,広く使用されている6つのデータセットについて,広範な実験を行った。
  論文  参考訳（メタデータ） (2022-12-12T09:27:50Z)
• 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)
• 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)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• FedLab: A Flexible Federated Learning Framework [16.481399535233717]
  フェデレートラーニング(FL)は、プライバシ保護規則に違反することなく、複数のパーティが共有モデルをトレーニングできるプライバシー問題に対するソリューションである。 PyTorchをベースとしたフレキシブルでモジュール化されたFLフレームワークであるFedLabを開発した。
  論文  参考訳（メタデータ） (2021-07-24T14:34:02Z)
• EasyFL: A Low-code Federated Learning Platform For Dummies [21.984721627569783]
  低コードフェデレーテッドラーニング(FL)プラットフォームであるEasyFLを初めて提案し、さまざまなレベルの専門知識を持つユーザーが、少ないコーディングでFLアプリケーションを実験およびプロトタイプできるようにします。 ほんの数行のコードで、EasyFLは実験とデプロイを加速するために、すぐに使える多くの機能を提供します。 私たちの実装は、EasyFLがバニラFLアプリケーションを構築するのにわずか3行のコードを必要とすることを示しています。
  論文  参考訳（メタデータ） (2021-05-17T04:15:55Z)
• OpenFL: An open-source framework for Federated Learning [41.03632020180591]
  Federated Learning(FL)は、組織が機密データを共有せずに機械学習(ML)プロジェクトに協力できる計算パラダイムである。 OpenFLは、FLのデータプライベート共同学習パラダイムを使用してMLアルゴリズムを訓練するためのオープンソースのフレームワークです。
  論文  参考訳（メタデータ） (2021-05-13T16:40:19Z)
• FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
  NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
  論文  参考訳（メタデータ） (2021-04-18T11:04:49Z)
• FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
  フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。 既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。 FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
  論文  参考訳（メタデータ） (2020-07-27T13:02:08Z)

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。