論文の概要: Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark

• arxiv url: http://arxiv.org/abs/2311.06750v1
• Date: Sun, 12 Nov 2023 06:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 17:05:49.765028
• Title: Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark
• Title（参考訳）: 一般化、堅牢性、公平性のための連合学習:調査とベンチマーク
• Authors: Wenke Huang, Mang Ye, Zekun Shi, Guancheng Wan, He Li, Bo Du, Qiang Yang
• Abstract要約: フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
• 参考スコア（独自算出の注目度）: 55.898771405172155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning has emerged as a promising paradigm for privacy-preserving collaboration among different parties. Recently, with the popularity of federated learning, an influx of approaches have delivered towards different realistic challenges. In this survey, we provide a systematic overview of the important and recent developments of research on federated learning. Firstly, we introduce the study history and terminology definition of this area. Then, we comprehensively review three basic lines of research: generalization, robustness, and fairness, by introducing their respective background concepts, task settings, and main challenges. We also offer a detailed overview of representative literature on both methods and datasets. We further benchmark the reviewed methods on several well-known datasets. Finally, we point out several open issues in this field and suggest opportunities for further research. We also provide a public website to continuously track developments in this fast advancing field: https://github.com/WenkeHuang/MarsFL.
• Abstract（参考訳）: 連合学習は、異なる当事者間のプライバシー保護コラボレーションの有望なパラダイムとして現れてきた。 近年,連合学習の普及に伴い,様々な現実的な課題にアプローチが流入している。 本研究では,連合学習研究の重要かつ最近の展開を体系的に概観する。 まず,この領域の歴史と用語の定義を紹介する。 次に,それぞれの背景概念,タスク設定,主な課題を紹介することで,一般化,堅牢性,公平性という3つの基本的な研究を総合的にレビューする。 また,提案手法とデータセットについて,代表文献の詳細な概要を述べる。 我々はさらに、いくつかのよく知られたデータセットでレビューされたメソッドをベンチマークする。 最後に、この分野のいくつかのオープンな問題を指摘し、さらなる研究の機会を提案する。 私たちはまた、この速い進歩の分野での開発を継続的に追跡するパブリックウェブサイトも提供しています。

関連論文リスト

• Multi-objective methods in Federated Learning: A survey and taxonomy [2.519319150166215]
  本稿では,フェデレートラーニングに関連する多目的手法の活用に関する第1の分類法を提案する。 今後の研究に向けて、オープンな課題と可能な方向性を概説する。
  論文  参考訳（メタデータ） (2025-02-05T12:06:43Z)
• Towards Visual Grounding: A Survey [87.37662490666098]
  2021年以降、視覚的な接地は大幅に進歩し、接地事前訓練のような新しい概念が生まれている。 この調査は、初心者と経験豊富な研究者の両方に適しているように設計されており、重要な概念を理解し、最新の研究成果を追跡するための貴重な情報源となっている。
  論文  参考訳（メタデータ） (2024-12-28T16:34:35Z)
• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• Advances in Robust Federated Learning: Heterogeneity Considerations [25.261572089655264]
  主な課題は、異なるデータ分散、モデル構造、タスク目標、計算能力、通信リソースを持つ複数のクライアントでモデルを効率的にトレーニングすることである。 本稿ではまず,不均一なフェデレーション学習の基本概念について概説する。 次に、フェデレーション学習における研究課題を、データ、モデル、タスク、デバイス、コミュニケーションの5つの側面の観点から要約する。
  論文  参考訳（メタデータ） (2024-05-16T06:35:42Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Recent Advances on Federated Learning: A Systematic Survey [3.6799810892671805]
  フェデレートラーニングは、異なる当事者間のプライバシー保護共同学習を実現することを目的としている。 我々は,フェデレートされたシナリオにおけるパイプラインと課題の観点から,フェデレートされた学習の新しい分類法を提案する。 代表的なフェデレーション学習フレームワークを概説し、その機能を紹介します。
  論文  参考訳（メタデータ） (2023-01-03T14:19:03Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。