論文の概要: Assessing the Sustainability and Trustworthiness of Federated Learning
Models
- arxiv url: http://arxiv.org/abs/2310.20435v1
- Date: Tue, 31 Oct 2023 13:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 15:08:21.977947
- Title: Assessing the Sustainability and Trustworthiness of Federated Learning
Models
- Title(参考訳): 連合学習モデルの持続性と信頼性の評価
- Authors: Alberto Huertas Celdran, Chao Feng, Pedro Miguel Sanchez Sanchez, Lynn
Zumtaugwald, Gerome Bovet, Burkhard Stiller
- Abstract要約: この研究は、最新の総合的な信頼に値するフェデレーテッドラーニングの分類にサステナビリティの柱を導入します。
FLシステムの環境影響を評価し、ハードウェア効率、フェデレーションの複雑さ、エネルギーグリッドの炭素強度の概念とメトリクスを取り入れている。
持続可能性柱を組み込むことで、FLモデルの信頼性を評価するアルゴリズムを実装している。
- 参考スコア(独自算出の注目度): 7.228253116465784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) plays a pivotal role in various sectors,
influencing critical decision-making processes in our daily lives. Within the
AI landscape, novel AI paradigms, such as Federated Learning (FL), focus on
preserving data privacy while collaboratively training AI models. In such a
context, a group of experts from the European Commission (AI-HLEG) has
identified sustainable AI as one of the key elements that must be considered to
provide trustworthy AI. While existing literature offers several taxonomies and
solutions for assessing the trustworthiness of FL models, a significant gap
exists in considering sustainability and the carbon footprint associated with
FL. Thus, this work introduces the sustainability pillar to the most recent and
comprehensive trustworthy FL taxonomy, making this work the first to address
all AI-HLEG requirements. The sustainability pillar assesses the FL system
environmental impact, incorporating notions and metrics for hardware
efficiency, federation complexity, and energy grid carbon intensity. Then, this
work designs and implements an algorithm for evaluating the trustworthiness of
FL models by incorporating the sustainability pillar. Extensive evaluations
with the FederatedScope framework and various scenarios varying federation
participants, complexities, hardware, and energy grids demonstrate the
usefulness of the proposed solution.
- Abstract(参考訳): 人工知能(AI)は様々な分野において重要な役割を担い、日常生活における重要な意思決定プロセスに影響を与える。
AIの世界では、フェデレートラーニング(FL)のような新しいAIパラダイムが、AIモデルを協調的にトレーニングしながらデータのプライバシを保存することに重点を置いている。
このような状況下では、欧州委員会(AI-HLEG)の専門家グループが、持続可能なAIを信頼できるAIを提供すると考えられる重要な要素の1つとして特定した。
既存の文献は、FLモデルの信頼性を評価するためのいくつかの分類学と解決策を提供しているが、持続可能性やFLに関連する炭素フットプリントを考慮すると、大きなギャップが存在する。
このように、この研究は、最新の総合的な信頼性のあるFL分類にサステナビリティの柱を導入し、AI-HLEGの要求に最初に対処する。
サステナビリティの柱はflシステムの環境影響を評価し、ハードウェア効率、フェデレーションの複雑さ、エネルギーグリッドの炭素強度に対する概念と指標を取り入れた。
次に,持続可能性柱を組み込んでflモデルの信頼性を評価するアルゴリズムを設計・実装する。
フェデレートスコープフレームワークと様々なシナリオによる広範囲な評価により、フェデレーション参加者、複雑度、ハードウェア、エネルギーグリッドが提案手法の有用性を示している。
関連論文リスト
- Addressing the sustainable AI trilemma: a case study on LLM agents and RAG [7.6212949300713015]
大規模言語モデル(LLM)は重要な機能を示しているが、その広範なデプロイメントとより高度なアプリケーションによって、重要な持続可能性の課題が提起されている。
本稿では、持続可能なAIトリレムマの概念を提案し、AI能力、デジタルエクイティ、環境サステナビリティの緊張関係を強調する。
論文 参考訳(メタデータ) (2025-01-14T17:21:16Z) - Enabling Trustworthy Federated Learning in Industrial IoT: Bridging the Gap Between Interpretability and Robustness [4.200214709723945]
Federated Learning(FL)は機械学習のパラダイムシフトであり、データのローカライズを維持しながら協調的なモデルトレーニングを可能にする。
IIoTにおけるFLの本質は、中央データストレージを必要とせずに、多様な分散データソースから学習できることにある。
この記事では、解釈可能性と堅牢性の間のギャップを埋めることで、IIoTで信頼できるFLを実現することに焦点を当てます。
論文 参考訳(メタデータ) (2024-09-01T15:13:39Z) - Literature Review of Current Sustainability Assessment Frameworks and
Approaches for Organizations [10.045497511868172]
本稿では,サステナビリティ・アセスメント・フレームワーク(SAF)を多種多様な産業に展開する。
本稿では,サステナビリティ・インジケータ(SI)の選択方法,相対的重要性評価,相互依存分析など,SAF設計のアプローチに焦点を当てる。
論文 参考訳(メタデータ) (2024-03-07T18:14:52Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳(メタデータ) (2024-02-09T07:45:26Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳(メタデータ) (2023-07-19T01:05:33Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳(メタデータ) (2023-06-25T13:10:38Z) - Broadening the perspective for sustainable AI: Comprehensive
sustainability criteria and indicators for AI systems [0.0]
本稿では,「持続可能なAI」に対する包括的視点の要求の実証に向けての一歩を踏み出す。
SCAIS Frameworkは、持続可能なAIと67の指標のための19の持続可能性基準を含んでいる。
論文 参考訳(メタデータ) (2023-06-22T18:00:55Z) - 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) - Trustworthy Federated Learning: A Survey [0.5089078998562185]
人工知能(AI)分野において、フェデレートラーニング(FL)が大きな進歩を遂げている。
我々は、Trustworthy FLの現状を概観し、既存のソリューションとTrustworthyに関連する明確に定義された柱を探求する。
本稿では,解釈可能性,公正性,セキュリティとプライバシの3つの柱を含む分類法を提案する。
論文 参考訳(メタデータ) (2023-05-19T09:11:26Z) - Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。
我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。
提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T11:46:34Z)
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。