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
- 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) - Federated Learning: Organizational Opportunities, Challenges, and
Adoption Strategies [39.58317527488534]
フェデレートラーニングにより、分散クライアントは、各トレーニングデータを他の人と共有することなく、モデルを協調的にトレーニングできる。
我々は,情報システム研究者にとって,連合学習は学際的機会の豊富な組織的課題を提示すると主張する。
論文 参考訳(メタデータ) (2023-08-04T09:23:23Z) - 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) - Fairness in Federated Learning for Spatial-Temporal Applications [9.333236221677046]
フェデレートラーニングでは、携帯電話などのリモートデバイス上で統計モデルをトレーニングする。
本研究では,空間時空間モデルにおける公正度の測定と評価に利用可能な現在の指標とアプローチについて論じる。
我々は、これらのメトリクスとアプローチをどのように再定義して、連合学習環境で直面する課題に対処するかを提案する。
論文 参考訳(メタデータ) (2022-01-17T19:23:15Z) - Non-IID data and Continual Learning processes in Federated Learning: A
long road ahead [58.720142291102135]
フェデレートラーニング(Federated Learning)は、複数のデバイスや機関が、データをプライベートに保存しながら、機械学習モデルを協調的にトレーニングすることを可能にする、新しいフレームワークである。
本研究では,データの統計的不均一性を正式に分類し,それに直面することのできる最も顕著な学習戦略をレビューする。
同時に、継続学習のような他の機械学習フレームワークからのアプローチを導入し、データの不均一性にも対処し、フェデレートラーニング設定に容易に適応できるようにします。
論文 参考訳(メタデータ) (2021-11-26T09:57:11Z) - 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。