論文の概要: CommunityAI: Towards Community-based Federated Learning

• arxiv url: http://arxiv.org/abs/2311.17958v1
• Date: Wed, 29 Nov 2023 09:31:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 19:24:26.294910
• Title: CommunityAI: Towards Community-based Federated Learning
• Title（参考訳）: communityai: コミュニティベースの連合学習に向けて
• Authors: Ilir Murturi, Praveen Kumar Donta, Schahram Dustdar
• Abstract要約: コミュニティベースフェデレーション学習のための新しいフレームワークであるCommunityAIを提案する。 CommunityAIは、参加者の関心や専門知識、データ特性に基づいて、参加者をコミュニティにまとめることを可能にする。 我々は,解決すべき概念的アーキテクチャ,システム要件,プロセス,今後の課題について議論する。
• 参考スコア（独自算出の注目度）: 6.535815174238974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) has emerged as a promising paradigm to train machine learning models collaboratively while preserving data privacy. However, its widespread adoption faces several challenges, including scalability, heterogeneous data and devices, resource constraints, and security concerns. Despite its promise, FL has not been specifically adapted for community domains, primarily due to the wide-ranging differences in data types and context, devices and operational conditions, environmental factors, and stakeholders. In response to these challenges, we present a novel framework for Community-based Federated Learning called CommunityAI. CommunityAI enables participants to be organized into communities based on their shared interests, expertise, or data characteristics. Community participants collectively contribute to training and refining learning models while maintaining data and participant privacy within their respective groups. Within this paper, we discuss the conceptual architecture, system requirements, processes, and future challenges that must be solved. Finally, our goal within this paper is to present our vision regarding enabling a collaborative learning process within various communities.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データプライバシを保持しながら、機械学習モデルを協調的にトレーニングするための、有望なパラダイムとして登場した。 しかし、その普及はスケーラビリティ、異種データとデバイス、リソースの制約、セキュリティ上の懸念など、いくつかの課題に直面している。 FLは、その約束にもかかわらず、主にデータタイプとコンテキスト、デバイスと運用条件、環境要因、利害関係者の幅広い違いのために、コミュニティドメインに特化されていない。 これらの課題に対応するために,コミュニティAIと呼ばれるコミュニティベースのフェデレーション学習のための新しいフレームワークを提案する。 communityaiは、参加者が共通の関心、専門知識、あるいはデータ特性に基づいてコミュニティに組織することを可能にする。 コミュニティ参加者は、各グループ内のデータと参加者のプライバシを維持しながら、学習モデルのトレーニングと改善に協力する。 本稿では,解決すべき概念アーキテクチャ,システム要件,プロセス,今後の課題について論じる。 最後に,本稿の目標は,様々なコミュニティにおける協調学習プロセスの実現に関する我々のビジョンを示すことである。

関連論文リスト

• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• Privacy in Federated Learning [0.0]
  フェデレートラーニング(FL)は、分散機械学習における重要な進歩である。 この章では、データ再構成のリスク、モデル反転攻撃、メンバシップ推論など、FLの中核的なプライバシに関する懸念を掘り下げている。 モデル精度とプライバシのトレードオフを調べ、実践的な実装においてこれらの要因のバランスをとることの重要性を強調します。
  論文  参考訳（メタデータ） (2024-08-12T18:41:58Z)
• 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)
• 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)
• Unveiling Diversity: Empowering OSS Project Leaders with Community Diversity and Turnover Dashboards [51.67585198094836]
  CommunityTapestryは動的リアルタイムコミュニティダッシュボードである。 それは、私たちが文献から特定した重要な多様性とターンオーバー信号を示します。 プロジェクトリーダが改善の領域を特定し、実行可能な情報を提供するのに役立ちました。
  論文  参考訳（メタデータ） (2023-12-13T22:12:57Z)
• Security and Privacy Issues of Federated Learning [0.0]
  フェデレートラーニング(FL)は、データのプライバシと機密性に対処するための有望なアプローチとして登場した。 本稿では,各種機械学習モデルを対象としたフェデレートラーニング(FL)におけるセキュリティとプライバシの包括的分類について述べる。
  論文  参考訳（メタデータ） (2023-07-22T22:51:07Z)
• 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)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• Towards Explainable Multi-Party Learning: A Contrastive Knowledge Sharing Framework [23.475874929905192]
  知識の洗練と共有のための新しいコントラスト型マルチパーティ学習フレームワークを提案する。 提案手法は,様々なシナリオにおけるモデル性能の大幅な向上を実現する。
  論文  参考訳（メタデータ） (2021-04-14T07:33:48Z)
• 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)

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。