論文の概要: PFLlib: Personalized Federated Learning Algorithm Library

• arxiv url: http://arxiv.org/abs/2312.04992v1
• Date: Fri, 8 Dec 2023 12:03:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:12:33.150564
• Title: PFLlib: Personalized Federated Learning Algorithm Library
• Title（参考訳）: PFLlib: 個人化フェデレーション学習アルゴリズムライブラリ
• Authors: Jianqing Zhang, Yang Liu, Yang Hua, Hao Wang, Tao Song, Zhengui Xue, Ruhui Ma, and Jian Cao
• Abstract要約: PFLlibは総合的なpFLアルゴリズムライブラリであり、統合評価プラットフォームを備えている。 7つの古典的tFLアルゴリズムと27のpFLアルゴリズムを含む34の最先端FLアルゴリズムを実装した。 PFLlibはすでに850のスターと199のフォークをGitHubで獲得している。
• 参考スコア（独自算出の注目度）: 27.954706790789434
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Amid the ongoing advancements in Federated Learning (FL), a machine learning paradigm that allows collaborative learning with data privacy protection, personalized FL (pFL) has gained significant prominence as a research direction within the FL domain. Whereas traditional FL (tFL) focuses on jointly learning a global model, pFL aims to achieve a balance between the global and personalized objectives of each client in FL settings. To foster the pFL research community, we propose PFLlib, a comprehensive pFL algorithm library with an integrated evaluation platform. In PFLlib, We implement 34 state-of-the-art FL algorithms (including 7 classic tFL algorithms and 27 pFL algorithms) and provide various evaluation environments with three statistically heterogeneous scenarios and 14 datasets. At present, PFLlib has already gained 850 stars and 199 forks on GitHub.
• Abstract（参考訳）: データのプライバシ保護と協調学習を可能にする機械学習パラダイムであるフェデレートラーニング(FL)の進歩が進行中である中、パーソナライズされたFL(pFL)は、FLドメイン内の研究方向として大きな注目を集めている。 従来のfl(tfl)がグローバルモデルの共同学習に焦点を当てているのに対して、pflはfl設定で各クライアントのグローバル目標とパーソナライズ目標のバランスを達成することを目指している。 pFL研究コミュニティを育成するために,統合評価プラットフォームを備えた包括的pFLアルゴリズムライブラリであるPFLlibを提案する。 PFLlibでは、34の最先端FLアルゴリズム(7つの古典的tFLアルゴリズムと27のpFLアルゴリズムを含む)を実装し、3つの統計的に異質なシナリオと14のデータセットで様々な評価環境を提供する。 現在、PFLlibはGitHubで850のスターと199のフォークを獲得している。

関連論文リスト

• GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning [32.884949308979465]
  GPFLと呼ばれる新しいpFL手法を提案し、各クライアントのグローバルおよびパーソナライズされた特徴情報を同時に学習する。 GPFLはオーバーフィッティングを軽減し、ベースラインの精度を最大8.99%向上させる。
  論文  参考訳（メタデータ） (2023-08-20T14:25:31Z)
• Bayesian Federated Learning: A Survey [54.40136267717288]
  フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。 既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-04-26T03:41:17Z)
• Vertical Federated Learning: Taxonomies, Threats, and Prospects [22.487434998185773]
  フェデレートラーニング(FL)は、最も人気のある分散機械学習技術である。 FLは水平連合学習(HFL)と垂直連合学習(VFL)に分けられる。 異なる企業が同じ顧客に対して異なる機能を持っているため、VFLはHFLよりも関連性が高い。 VFLは新たな研究分野であるが、HFLに比べて確立されていない。
  論文  参考訳（メタデータ） (2023-02-03T05:13:40Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• pFL-Bench: A Comprehensive Benchmark for Personalized Federated Learning [42.819532536636835]
  そこで我々は,pFL ベンチマーク pFL-Bench を提案し,迅速な再現性,標準化,徹底的な pFL 評価を行った。 提案するベンチマークには、統一されたデータパーティションと現実的な異種設定を備えた、多様なアプリケーションドメインの10以上のデータセットが含まれている。 我々は、最先端のpFL手法の利点と可能性を強調し、pFL-BenchがさらなるpFL研究と幅広い応用を可能にすることを期待する。
  論文  参考訳（メタデータ） (2022-06-08T02:51:59Z)
• Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
  フェデレートラーニング(FL)は異種分散データに対して脆弱である。 この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。 既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。 我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
  論文  参考訳（メタデータ） (2022-01-27T08:43:11Z)
• Multi-Center Federated Learning [62.32725938999433]
  フェデレートラーニング(FL)は、分散ラーニングにおけるデータのプライバシを保護する。 単にデータにアクセスせずに、ユーザーからローカルな勾配を収集するだけだ。 本稿では,新しいマルチセンターアグリゲーション機構を提案する。
  論文  参考訳（メタデータ） (2021-08-19T12:20:31Z)
• Towards Personalized Federated Learning [20.586573091790665]
  PFL手法をデータベースおよびモデルベースアプローチに分割するユニークな分類法を提案する。 我々は、その重要なアイデアを強調し、新しいpflアーキテクチャ設計に向けた研究の将来の展望を期待する。
  論文  参考訳（メタデータ） (2021-03-01T02:45:19Z)
• PFL-MoE: Personalized Federated Learning Based on Mixture of Experts [1.8757823231879849]
  フェデレーションラーニング(FL)は、データプライバシーを保護するために、トレーニングノード間のデータ共有を避けます。 PFL-MoEは一般的なアプローチであり、既存のPFLアルゴリズムを統合することでインスタンス化することができる。 本稿では,Fashion-MNISTデータセット上でLeNet-5およびVGG-16モデルをトレーニングし,PFL-MoEの有効性を示す。
  論文  参考訳（メタデータ） (2020-12-31T12:51:14Z)
• FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
  フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。 既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。 FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
  論文  参考訳（メタデータ） (2020-07-27T13:02:08Z)

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。