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

• Ten Challenging Problems in Federated Foundation Models [55.343738234307544]
  フェデレーション・ファンデーション・モデル(Federated Foundation Models、FedFM)は、フェデレーション・モデルの一般的な能力とフェデレーション・ラーニングのプライバシー保護能力を融合させる分散学習パラダイムである。 本稿では,FedFMに固有の10の課題について,基礎理論,プライベートデータの利用,継続学習,非学習,非IIDおよびグラフデータ,双方向知識伝達,インセンティブ機構設計,ゲーム機構設計,モデル透かし,効率を包括的に要約する。
  論文  参考訳（メタデータ） (2025-02-14T04:01:15Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• A study on performance limitations in Federated Learning [0.05439020425819]
  本研究は, 通信ボトルネックとデータ非ID性に着目し, モデルの性能に与える影響について検討する。 Googleは2016年にフェデレートラーニングを導入した。 このプロジェクトは、通信ボトルネックとデータ非ID性、およびモデルの性能への影響に焦点を当てる。
  論文  参考訳（メタデータ） (2025-01-07T02:35:41Z)
• Large Language Model Federated Learning with Blockchain and Unlearning for Cross-Organizational Collaboration [18.837908762300493]
  大規模言語モデル(LLM)は、コンピュータが人間の言語を理解し、処理する方法を変えてきたが、それらを様々な組織で効果的に利用することは難しいままである。 パブリックとプライベートのブロックチェーンアーキテクチャとマルチエージェント強化学習を組み合わせた,ハイブリッドブロックチェーンベースのフェデレーション学習フレームワークを提案する。 当社のフレームワークは,プライベートチェーンの機密計算を保護しながら,パブリックブロックチェーンを通じてモデル更新の透過的な共有を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T06:56:09Z)
• 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)
• 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)
• 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。