論文の概要: Exploring Machine Learning Models for Federated Learning: A Review of
Approaches, Performance, and Limitations
- arxiv url: http://arxiv.org/abs/2311.10832v1
- Date: Fri, 17 Nov 2023 19:23:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 13:57:16.297506
- Title: Exploring Machine Learning Models for Federated Learning: A Review of
Approaches, Performance, and Limitations
- Title（参考訳）: 連合学習のための機械学習モデルの検討:アプローチ、パフォーマンス、限界のレビュー
- Authors: Elaheh Jafarigol, Theodore Trafalis, Talayeh Razzaghi, Mona Zamankhani
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.1060425537315088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the growing world of artificial intelligence, federated learning is a
distributed learning framework enhanced to preserve the privacy of individuals'
data. Federated learning lays the groundwork for collaborative research in
areas where the data is sensitive. Federated learning has several implications
for real-world problems. In times of crisis, when real-time decision-making is
critical, federated learning allows multiple entities to work collectively
without sharing sensitive data. This distributed approach enables us to
leverage information from multiple sources and gain more diverse insights. This
paper is a systematic review of the literature on privacy-preserving machine
learning in the last few years based on the Preferred Reporting Items for
Systematic Reviews and Meta-Analyses (PRISMA) guidelines. Specifically, we have
presented an extensive review of supervised/unsupervised machine learning
algorithms, ensemble methods, meta-heuristic approaches, blockchain technology,
and reinforcement learning used in the framework of federated learning, in
addition to an overview of federated learning applications. This paper reviews
the literature on the components of federated learning and its applications in
the last few years. The main purpose of this work is to provide researchers and
practitioners with a comprehensive overview of federated learning from the
machine learning point of view. A discussion of some open problems and future
research directions in federated learning is also provided.
- Abstract（参考訳）: 人工知能の世界では、フェデレーション学習は個人のデータのプライバシーを守るために強化された分散学習フレームワークである。
フェデレーション学習は、データに敏感な分野における共同研究の基盤となる。
連合学習は現実世界の問題にいくつかの意味を持つ。
危機時には、リアルタイムな意思決定が重要である場合、フェデレーション学習は、機密データを共有することなく、複数のエンティティが集団で作業できるようにする。
この分散アプローチにより、複数のソースからの情報を活用し、より多様な洞察を得ることができます。
本稿では,過去数年間におけるプライバシ保全機械学習に関する文献の系統的レビューを行い,体系的レビューとメタ分析(prisma)ガイドラインの推奨報告項目について述べる。
具体的には、フェデレートラーニングのフレームワークで使用される教師あり教師なし機械学習アルゴリズム、アンサンブル手法、メタヒューリスティックアプローチ、ブロックチェーン技術、強化学習の広範なレビューと、フェデレーションラーニングアプリケーションの概要を紹介する。
本稿では,過去数年間における連合学習の構成要素とその応用に関する文献をレビューする。
本研究の主な目的は,機械学習の観点からの連合学習の包括的概要を研究者や実践者に提供することである。
連合学習におけるオープン問題と今後の研究方向性についても考察する。
関連論文リスト
- Federated Learning driven Large Language Models for Swarm Intelligence: A Survey [2.769238399659845]
Federated Learning (FL)は、大規模言語モデル(LLM)をトレーニングするための魅力的なフレームワークを提供する
私たちは機械学習に重点を置いています。これは、忘れられる権利のようなプライバシー規則に従う上で重要な側面です。
摂動技術やモデル分解,漸進学習など,効果的なアンラーニングを可能にするさまざまな戦略を探求する。
論文 参考訳（メタデータ） (2024-06-14T08:40:58Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳（メタデータ） (2024-02-08T07:18:23Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
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。
論文 参考訳（メタデータ） (2023-11-12T06:32:30Z) - 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) - Towards Privacy-Aware Causal Structure Learning in Federated Setting [27.5652887311069]
フェデレートされた環境におけるプライバシーに配慮した因果構造学習問題について検討する。
データを集中化せずにデータのプライバシを保存するための2つの新しい戦略を持つ新しいフェデレーションPC(FedPC)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-13T14:54:42Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Combined Federated and Split Learning in Edge Computing for Ubiquitous
Intelligence in Internet of Things: State of the Art and Future Directions [1.8259323824078306]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、IoT(Internet of Things)におけるユビキタスインテリジェンスを大幅に促進する2つの新しいコラボレーティブラーニング手法である。
フェデレートラーニングと分割ラーニングの最新の展開をレビューし、エッジコンピューティングベースのIoT環境においてこれらの2つのラーニング手法を組み合わせるための最先端技術について調査する。
論文 参考訳（メタデータ） (2022-07-20T01:31:22Z) - A Comprehensive Survey of Incentive Mechanism for Federated Learning [18.29559568325112]
フェデレートラーニングは、参加者が提供した様々なリソースを利用して、グローバルモデルを協調的にトレーニングする。
フェデレート学習にいくらかの支払いをすることで、より多くの参加者に貴重なリソースを貢献させることは極めて重要です。
論文 参考訳（メタデータ） (2021-06-27T12:24:15Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。
我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
論文 参考訳（メタデータ） (2021-02-25T15:18:13Z)
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。