論文の概要: A Comprehensive Survey On Client Selections in Federated Learning

• arxiv url: http://arxiv.org/abs/2311.06801v1
• Date: Sun, 12 Nov 2023 10:40:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 16:57:33.779817
• Title: A Comprehensive Survey On Client Selections in Federated Learning
• Title（参考訳）: 連合学習における顧客選択に関する包括的調査
• Authors: Ala Gouissem and Zina Chkirbene and Ridha Hamila
• Abstract要約: トレーニングプロセスに参加するクライアントの選択は、システム全体のパフォーマンスにとって重要な要素である。 フェデレートラーニングにおける最先端クライアント選択技術の概要について概説する。
• 参考スコア（独自算出の注目度）: 3.438094543455187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is a rapidly growing field in machine learning that allows data to be trained across multiple decentralized devices. The selection of clients to participate in the training process is a critical factor for the performance of the overall system. In this survey, we provide a comprehensive overview of the state-of-the-art client selection techniques in FL, including their strengths and limitations, as well as the challenges and open issues that need to be addressed. We cover conventional selection techniques such as random selection where all or partial random of clients is used for the trained. We also cover performance-aware selections and as well as resource-aware selections for resource-constrained networks and heterogeneous networks. We also discuss the usage of client selection in model security enhancement. Lastly, we discuss open issues and challenges related to clients selection in dynamic constrained, and heterogeneous networks.
• Abstract（参考訳）: Federated Learning(FL)は、複数の分散デバイス間でデータをトレーニングできる機械学習の急速に成長する分野である。 トレーニングプロセスに参加するクライアントの選択は、システム全体のパフォーマンスにとって重要な要素である。 本調査では,FLにおける最先端クライアント選択技術の概要を概観し,その強みや限界,対処すべき課題やオープンな課題について概説する。 トレーニング対象のクライアントのすべてあるいは一部をランダムに選択する,従来の選択手法について述べる。 また、リソース制約のあるネットワークや異種ネットワークのリソースアウェア選択についても取り上げる。 また,モデルセキュリティ強化におけるクライアント選択の利用について述べる。 最後に,動的制約付き,異種ネットワークにおけるクライアント選択に関するオープン問題と課題について考察する。

関連論文リスト

• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Joint Probability Selection and Power Allocation for Federated Learning [2.9364773826704993]
  我々は,限られたエネルギー予算を持つデバイスが機械学習モデルを訓練する無線ネットワーク上でのフェデレーション学習の性能について検討した。 我々は、クライアントを共同で選択し、電力を最適に割り当てるための新しい確率的アプローチを定式化する。 その結果,提案手法はエネルギー消費, 完了時間, 精度の点で, 評価されたベンチマークと比較すると有意な性能を示した。
  論文  参考訳（メタデータ） (2024-01-15T15:09:47Z)
• A Systematic Literature Review on Client Selection in Federated Learning [0.0]
  2017年にFL(Federated Learning)が発明され、モバイルデバイスなどのクライアントがモデルをトレーニングし、集中型サーバにアップデートを送信する。 このSLRは、FLにおけるクライアントの選択技術の現状を調査し、ソリューションを評価するための課題、ソリューション、メトリクスに答えます。
  論文  参考訳（メタデータ） (2023-06-08T01:26:22Z)
• Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
  本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。 フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。 本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
  論文  参考訳（メタデータ） (2022-11-24T13:08:43Z)
• Client Selection in Federated Learning: Principles, Challenges, and Opportunities [15.33636272844544]
  Federated Learning(FL)は、機械学習(ML)モデルをトレーニングするためのプライバシー保護パラダイムである。 典型的なFLシナリオでは、クライアントはデータ分散とハードウェア構成の点で大きな異質性を示す。 様々なクライアント選択アルゴリズムが開発され、性能改善が期待できる。
  論文  参考訳（メタデータ） (2022-11-03T01:51:14Z)
• FedMint: Intelligent Bilateral Client Selection in Federated Learning with Newcomer IoT Devices [33.4117184364721]
  フェデレートラーニング(Federated Learning)は、分散プライバシ保護学習パラダイムである。 機械学習モデルのトレーニングのために、いくつかの参加者(IoTデバイスなど)のコラボレーションを可能にする。 ゲーム理論とブートストラップ機構を用いたIoTデバイス上でのフェデレーション学習のためのインテリジェントクライアント選択手法であるFedMintを提案する。
  論文  参考訳（メタデータ） (2022-10-31T12:48:56Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• A Snapshot of the Frontiers of Client Selection in Federated Learning [5.098446527311984]
  分散機械学習におけるプライバシ保護手法としてフェデレートラーニング(FL)が提案されている。 クライアントはデータをローカルマシンに保持でき、ローカルにトレーニングされたモデルのパラメータのみを中央サーバと共有できる。 FLは医療、エネルギー、ファイナンスといった現実のシナリオで有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-09-27T10:08:18Z)
• A Survey on Participant Selection for Federated Learning in Mobile Networks [47.88372677863646]
  Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 モバイルネットワークにおける通信帯域が限られており、不安定なデバイスが利用できるため、各ラウンドで選択できる端末はごくわずかである。
  論文  参考訳（メタデータ） (2022-07-08T04:22:48Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• Federated Continual Learning with Weighted Inter-client Transfer [79.93004004545736]
  我々は,新しい連合型連続学習フレームワークFederated Weighted Inter-client Transfer(FedWeIT)を提案する。 FedWeITは、ネットワークの重みをグローバルなフェデレーションパラメータとスパースなタスク固有のパラメータに分解し、各クライアントは他のクライアントから選択的な知識を受け取る。 我々はFedWeITを既存のフェデレーション学習法や継続学習法に対して検証し、我々のモデルは通信コストを大幅に削減してそれらを著しく上回っている。
  論文  参考訳（メタデータ） (2020-03-06T13:33:48Z)

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。