論文の概要: Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2311.06141v3
• Date: Fri, 14 Jun 2024 15:52:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 19:33:45.918642
• Title: Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification
• Title（参考訳）: リモートセンシング画像分類のための分散型および非共有型アーカイブ間のフェデレーション学習
• Authors: Barış Büyüktaş, Gencer Sumbul, Begüm Demir,
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、複数のディープラーニングモデルのコラボレーションにより、クライアント上のデータにアクセスせずに、分散化されたデータアーカイブ(クライアント)から学習することができる。 FLは、分散画像アーカイブからの知識発見に十分な機会を提供するが、リモートセンシング(RS)ではめったに考えられない。 本稿では,RS画像分類問題に対する最先端FLアルゴリズムの比較検討を行う。
• 参考スコア（独自算出の注目度）: 2.725507329935916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) enables the collaboration of multiple deep learning models to learn from decentralized data archives (i.e., clients) without accessing data on clients. Although FL offers ample opportunities in knowledge discovery from distributed image archives, it is seldom considered in remote sensing (RS). In this paper, as a first time in RS, we present a comparative study of state-of-the-art FL algorithms for RS image classification problems. To this end, we initially provide a systematic review of the FL algorithms presented in the computer vision and machine learning communities. Then, we select several state-of-the-art FL algorithms based on their effectiveness with respect to training data heterogeneity across clients (known as non-IID data). After presenting an extensive overview of the selected algorithms, a theoretical comparison of the algorithms is conducted based on their: 1) local training complexity; 2) aggregation complexity; 3) learning efficiency; 4) communication cost; and 5) scalability in terms of number of clients. After the theoretical comparison, experimental analyses are presented to compare them under different decentralization scenarios. For the experimental analyses, we focus our attention on multi-label image classification problems in RS. Based on our comprehensive analyses, we finally derive a guideline for selecting suitable FL algorithms in RS. The code of this work is publicly available at https://git.tu-berlin.de/rsim/FL-RS.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning, FL)は、複数のディープラーニングモデルのコラボレーションにより、クライアント上のデータにアクセスせずに、分散化されたデータアーカイブ(クライアント)から学習することができる。 FLは、分散画像アーカイブからの知識発見に十分な機会を提供するが、リモートセンシング(RS)ではめったに考えられない。 本稿では、RSにおいてはじめて、RS画像分類問題に対する最先端FLアルゴリズムの比較研究を行う。 この目的のために、コンピュータビジョンと機械学習コミュニティで提示されたFLアルゴリズムの体系的なレビューを行った。 そして,クライアント間での不均一性(非IIDデータとして知られる)を訓練する上で,その有効性に基づいて,最先端のFLアルゴリズムを複数選択する。 選択したアルゴリズムの広範な概要を提示した後、これらのアルゴリズムの理論的比較を行う。 1) 局所訓練の複雑さ 2) 集約複雑性 3) 学習効率 4)通信コスト,及び 5) クライアント数の面でのスケーラビリティ。 理論的比較の後、異なる分散化シナリオ下で比較するために実験的な分析結果が提示される。 実験分析では,RSの多ラベル画像分類問題に注目する。 総合的な分析に基づいて、我々は最終的にRSで適切なFLアルゴリズムを選択するためのガイドラインを導出する。 この作業のコードはhttps://git.tu-berlin.de/rsim/FL-RSで公開されている。

関連論文リスト

• A Framework for testing Federated Learning algorithms using an edge-like environment [0.0]
  フェデレーテッド・ラーニング(FL)は、多くのクライアントが、データをプライベートかつ分散化しながら、単一の集中型モデルを協調的にトレーニングする機械学習パラダイムである。 グローバル集中型モデルアグリゲーションにおける局所モデルの貢献を正確に評価するのは簡単ではない。 これはFLにおける大きな挑戦の例であり、一般にデータ不均衡またはクラス不均衡として知られている。 本研究では,FLアルゴリズムをより容易かつスケーラブルに評価するためのフレームワークを提案し,実装した。
  論文  参考訳（メタデータ） (2024-07-17T19:52:53Z)
• Not All Federated Learning Algorithms Are Created Equal: A Performance Evaluation Study [1.9265466185360185]
  フェデレートラーニング(FL)は、分散データからモデルをトレーニングするための実践的なアプローチとして登場した。 このギャップを埋めるために、いくつかの標準FLアルゴリズムで広範な性能評価を行う。 我々の総合的な測定結果から、異なるパフォーマンス指標に対して1つのアルゴリズムが最善を尽くさないことが判明した。
  論文  参考訳（メタデータ） (2024-03-26T00:33:49Z)
• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Efficient Image Representation Learning with Federated Sampled Softmax [2.5557803548119464]
  Federated sampled softmax (FedSS)は、Federated Learningを用いて画像表現を学習するためのリソース効率の高いアプローチである。 提案手法は,クライアントデバイスに転送・最適化されるパラメータの数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2022-03-09T17:00:32Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• FedDropoutAvg: Generalizable federated learning for histopathology image classification [11.509801043891837]
  フェデレートラーニング(FL)は、参加サイトのデータを共有することなく、ディープラーニングモデルの協調学習を可能にする。 我々は、一般化可能なモデルをトレーニングするための新しいフェデレーション学習手法であるFedDropoutAvgを提案する。 提案手法は、他の最先端のフェデレーション・トレーニング・アプローチよりも一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-25T19:30:37Z)
• FedCV: A Federated Learning Framework for Diverse Computer Vision Tasks [38.012182901565616]
  Federated Learning(FL)は、エッジデバイス上の分散データセットからグローバルあるいはパーソナライズされたモデルを学ぶことのできる、分散学習パラダイムである。 FLは、オブジェクト検出やイメージセグメンテーションといった高度なコンピュータビジョンタスクにおいて、効果的に実証されることはめったにない。 非I.D.ベンチマークデータセット、モデル、および様々な参照FLアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-11-22T09:26:08Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• 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)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。