論文の概要: Federated Learning for Computer Vision
- arxiv url: http://arxiv.org/abs/2308.13558v1
- Date: Thu, 24 Aug 2023 16:05:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 20:38:05.617195
- Title: Federated Learning for Computer Vision
- Title(参考訳): コンピュータビジョンのためのフェデレーション学習
- Authors: Yassine Himeur, Iraklis Varlamis, Hamza Kheddar, Abbes Amira, Shadi
Atalla, Yashbir Singh, Faycal Bensaali and Wathiq Mansoor
- Abstract要約: コンピュータビジョン(CV)は、機械学習(ML)ツールを幅広いタスクに活用することで、社会を変革する上で重要な役割を果たしている。
処理に必要な膨大な計算負荷と、データの保存と処理に関連する潜在的なプライバシーリスクにより、これらのアルゴリズムは厳しい制約下に置かれた。
フェデレートラーニング(FL)は将来性のあるソリューションとして登場し、モデルをローカルにトレーニングし、全体的なパフォーマンスを改善するためにそれらを交換することで、プライバシ保護を可能にする。
- 参考スコア(独自算出の注目度): 5.068927407250747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer Vision (CV) is playing a significant role in transforming society by
utilizing machine learning (ML) tools for a wide range of tasks. However, the
need for large-scale datasets to train ML models creates challenges for
centralized ML algorithms. The massive computation loads required for
processing and the potential privacy risks associated with storing and
processing data on central cloud servers put these algorithms under severe
strain. To address these issues, federated learning (FL) has emerged as a
promising solution, allowing privacy preservation by training models locally
and exchanging them to improve overall performance. Additionally, the
computational load is distributed across multiple clients, reducing the burden
on central servers. This paper presents, to the best of the authors' knowledge,
the first review discussing recent advancements of FL in CV applications,
comparing them to conventional centralized training paradigms. It provides an
overview of current FL applications in various CV tasks, emphasizing the
advantages of FL and the challenges of implementing it in CV. To facilitate
this, the paper proposes a taxonomy of FL techniques in CV, outlining their
applications and security threats. It also discusses privacy concerns related
to implementing blockchain in FL schemes for CV tasks and summarizes existing
privacy preservation methods. Moving on, the paper identifies open research
challenges and potential future research directions to further exploit the
potential of FL and blockchain in CV applications.
- Abstract(参考訳): コンピュータビジョン(CV)は、機械学習(ML)ツールを幅広いタスクに活用することで、社会を変革する上で重要な役割を果たしている。
しかし、MLモデルをトレーニングする大規模なデータセットの必要性は、集中型MLアルゴリズムの課題を生み出している。
処理に必要な膨大な計算負荷と、中央のクラウドサーバにデータの保存と処理に関連する潜在的なプライバシーリスクにより、これらのアルゴリズムは厳しい負担を負うことになる。
これらの問題に対処するために、フェデレーション学習(fl)が有望なソリューションとして登場し、モデルをローカルにトレーニングし、全体的なパフォーマンスを改善するために交換することで、プライバシの保護を可能にした。
さらに、計算負荷は複数のクライアントに分散され、中央サーバの負荷が軽減される。
本稿では,本稿の著者の知識を活かし,cvアプリケーションにおけるflの最近の進歩を論じる最初のレビューを行い,従来の集中型学習パラダイムと比較する。
さまざまな CV タスクにおける現在の FL アプリケーションの概要を提供し、FL の利点と CV 実装の課題を強調している。
そこで本稿では,cvにおけるfl技術の分類法を提案し,その応用とセキュリティの脅威を概説する。
また、CVタスクのFLスキームにブロックチェーンを実装する際のプライバシー上の懸念についても論じ、既存のプライバシー保護手法を要約している。
CVアプリケーションにおけるFLおよびブロックチェーンの可能性をさらに活用するために、オープンな研究課題と今後の研究方向性を明らかにする。
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: A Cutting-Edge Survey of the Latest Advancements and
Applications [4.491391835956324]
Federated Learning (FL) はセキュアな分散機械学習手法である。
FLはクラウドインフラストラクチャを統合して、ブロックチェーン技術を使用してMLモデルをエッジサーバに転送する。
現在のFL実装では、データ所有者はモデルをローカルにトレーニングし、その結果を重み、勾配、パラメータの形式でクラウドにアップロードする。
論文 参考訳(メタデータ) (2023-10-08T19:54:26Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳(メタデータ) (2023-10-04T20:27:20Z) - Federated Learning for Connected and Automated Vehicles: A Survey of
Existing Approaches and Challenges [8.20034065712914]
機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われている
フェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。
本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
論文 参考訳(メタデータ) (2023-08-21T01:21:21Z) - 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) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳(メタデータ) (2022-02-14T18:33:12Z) - Blockchain and Federated Edge Learning for Privacy-Preserving Mobile
Crowdsensing [9.256032232316695]
大規模な作業者の移動性を考慮したモバイルクラウドセンシング(MCS)は、要求者が様々なセンシングタスクを遂行するのに役立つ。
本稿では,ブロックチェーン技術を活用した新しいMCS学習フレームワークと,フェデレート学習に基づくエッジインテリジェンスの概念を提案する。
論文 参考訳(メタデータ) (2021-10-16T22:04:00Z) - The MIT Supercloud Dataset [3.375826083518709]
我々は、大規模なHPCとデータセンター/クラウドオペレーションの分析において、革新的なAI/MLアプローチを促進することを目的とした、MIT Supercloudデータセットを紹介します。
我々は、ジョブ毎のCPUおよびGPU使用率、メモリ使用率、ファイルシステムログ、物理モニタリングデータを含む、MIT Supercloudシステムから詳細な監視ログを提供する。
本稿では,データセットの詳細,収集手法,データ可用性について論じ,このデータを用いて開発されている潜在的な課題について論じる。
論文 参考訳(メタデータ) (2021-08-04T13:06:17Z) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL):
Performance Analysis and Resource Allocation [119.19061102064497]
ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。
提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。
遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
論文 参考訳(メタデータ) (2021-01-18T07:19:08Z) - Applying Deep-Learning-Based Computer Vision to Wireless Communications:
Methodologies, Opportunities, and Challenges [100.45137961106069]
ディープラーニング(DL)はコンピュータビジョン(CV)分野で大きな成功を収めている。
本稿では,無線通信におけるDLベースのCVの適用について紹介する。
論文 参考訳(メタデータ) (2020-06-10T11:37:49Z)
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。