論文の概要: Assessing the Sustainability and Trustworthiness of Federated Learning Models

• arxiv url: http://arxiv.org/abs/2310.20435v3
• Date: Mon, 01 Sep 2025 08:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:51.926246
• Title: Assessing the Sustainability and Trustworthiness of Federated Learning Models
• Title（参考訳）: フェデレーション学習モデルの持続性と信頼性の評価
• Authors: Chao Feng, Alberto Huertas Celdran, Pedro Miguel Sanchez Sanchez, Lynn Zumtaugwald, Gerome Bovet, Burkhard Stiller,
• Abstract要約: この研究は、総合的に信頼できるフェデレーテッドラーニングの分類において、サステナビリティを個別の柱として導入する。 FL評価にサステナビリティを取り入れた実験は、環境に責任のある展開を支援する。
• 参考スコア（独自算出の注目度）: 2.348885562952625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) increasingly influences critical decision-making across sectors. Federated Learning (FL), as a privacy-preserving collaborative AI paradigm, not only enhances data protection but also holds significant promise for intelligent network management, including distributed monitoring, adaptive control, and edge intelligence. Although the trustworthiness of FL systems has received growing attention, the sustainability dimension remains insufficiently explored, despite its importance for scalable real-world deployment. To address this gap, this work introduces sustainability as a distinct pillar within a comprehensive trustworthy FL taxonomy, consistent with AI-HLEG guidelines. This pillar includes three key aspects: hardware efficiency, federation complexity, and the carbon intensity of energy sources. Experiments using the FederatedScope framework under diverse scenarios, including varying participants, system complexity, hardware, and energy configurations, validate the practicality of the approach. Results show that incorporating sustainability into FL evaluation supports environmentally responsible deployment, enabling more efficient, adaptive, and trustworthy network services and management AI models.
• Abstract（参考訳）: 人工知能(AI)は、セクター間の重要な意思決定にますます影響を及ぼす。 プライバシ保護のためのコラボレーティブAIパラダイムであるフェデレートラーニング(FL)は、データ保護を強化するだけでなく、分散監視、適応制御、エッジインテリジェンスなど、インテリジェントなネットワーク管理にも大きな可能性を秘めている。 FLシステムの信頼性は注目されているが、拡張性のある現実世界の展開において重要であるにもかかわらず、持続可能性の次元は十分に調査されていない。 このギャップに対処するため、この研究はAI-HLEGガイドラインに従って、総合的に信頼できるFL分類において、サステナビリティを明確な柱として導入する。 この柱には、ハードウェア効率、フェデレーションの複雑さ、エネルギー源の炭素強度の3つの重要な側面が含まれている。 FederatedScopeフレームワークをさまざまなシナリオで使用した実験では、さまざまな参加者、システム複雑性、ハードウェア、エネルギー構成が、このアプローチの実用性を検証する。 その結果、FL評価にサステナビリティを組み込むことは、環境に責任のあるデプロイメントをサポートし、より効率的で適応的で信頼性の高いネットワークサービスと管理AIモデルを可能にします。

関連論文リスト

• Choosing a Model, Shaping a Future: Comparing LLM Perspectives on Sustainability and its Relationship with AI [0.0]
  本研究では,5つの最先端の大規模言語モデルが持続可能性とそのAIとの関係をいかに概念化しているかを体系的に検討する。 評価,持続可能性に関する質問紙調査を1モデルにつき100回ずつ実施し,反応パターンと変動性について検討した。 この結果から,モデル選択が組織的サステナビリティ戦略に大きく影響を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-05-20T14:41:56Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [64.4881275941927]
  本稿では,大陸規模のマルチタスクLSTMモデルにおいて,信頼性の総合評価を行う。 本研究は,流域特性に関連するモデル性能格差の系統的パターンを明らかにする。 この作業は、水資源管理のための信頼できるデータ駆動手法を前進させるためのタイムリーな呼びかけとして役立ちます。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• 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)
• Transforming the Hybrid Cloud for Emerging AI Workloads [81.15269563290326]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• Green Federated Learning: A new era of Green Aware AI [11.536626349203361]
  フェデレートラーニング(FL)は、このニーズに対処する新たな機会を提供する。 グリーンアウェアなAIアルゴリズムの既存の取り組みとギャップをナビゲートし、理解するためのロードマップを、研究者、ステークホルダ、関心のある関係者に提供することが重要です。 この調査は主に、100を超えるFL作品を特定し分析することで、この目的を達成することを目的としている。
  論文  参考訳（メタデータ） (2024-09-19T09:54:18Z)
• 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)
• FedEGG: Federated Learning with Explicit Global Guidance [90.04705121816185]
  フェデレートラーニング(FL)は、そのプライバシー保護の性質から、多様なアプリケーションにとって大きな可能性を秘めている。 既存の手法は、最適化ベースのクライアント制約、適応的なクライアント選択、事前訓練されたモデルや合成データの使用によってこれらの課題に対処するのに役立つ。 我々はbftextFedEGGを提案する。bftextFedEGGは、よく定義された、容易に収束できる学習タスクを用いて、グローバルガイドタスクを構築する新しいFLアルゴリズムである。
  論文  参考訳（メタデータ） (2024-04-18T04:25:21Z)
• 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)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• 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)
• 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)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)

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。