論文の概要: FedKit: Enabling Cross-Platform Federated Learning for Android and iOS

• arxiv url: http://arxiv.org/abs/2402.10464v1
• Date: Fri, 16 Feb 2024 06:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 17:15:12.647811
• Title: FedKit: Enabling Cross-Platform Federated Learning for Android and iOS
• Title（参考訳）: FedKit: AndroidとiOSのクロスプラットフォームフェデレーション学習の実現
• Authors: Sichang He, Beilong Tang, Boyan Zhang, Jiaoqi Shao, Xiaomin Ouyang, Daniel Nata Nugraha, Bing Luo
• Abstract要約: FedKitは、AndroidとiOSデバイスの研究のためのクロスプラットフォームのフェデレーション学習システムである。 FedKitは、モデル変換、ハードウェアアクセラレーションのトレーニング、クロスプラットフォームモデルアグリゲーションを可能にすることで、クロスプラットフォームFL開発をパイプライン化する。 私たちのFLワークフローは、プロダクションでの柔軟な機械学習操作(MLOps)をサポートし、継続的モデルのデリバリとトレーニングを容易にします。
• 参考スコア（独自算出の注目度）: 2.9863519664139955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FedKit, a federated learning (FL) system tailored for cross-platform FL research on Android and iOS devices. FedKit pipelines cross-platform FL development by enabling model conversion, hardware-accelerated training, and cross-platform model aggregation. Our FL workflow supports flexible machine learning operations (MLOps) in production, facilitating continuous model delivery and training. We have deployed FedKit in a real-world use case for health data analysis on university campuses, demonstrating its effectiveness. FedKit is open-source at https://github.com/FedCampus/FedKit.
• Abstract（参考訳）: 本研究では,android および ios デバイス上でのクロスプラットフォームfl研究用に設計されたフェデレーション学習(fl)システム fedkit を提案する。 fedkit pipelinesは、モデル変換、ハードウェアアクセラレーショントレーニング、クロスプラットフォームモデルアグリゲーションを可能にすることで、クロスプラットフォームなfl開発を行う。 私たちのFLワークフローは、プロダクションにおけるフレキシブルな機械学習操作(MLOps)をサポートし、継続的モデルデリバリとトレーニングを容易にします。 fedkitを大学キャンパスにおける健康データ分析の実際のユースケースに導入し,その効果を実証した。 FedKitはhttps://github.com/FedCampus/FedKitでオープンソース化されている。

関連論文リスト

• Demo: FedCampus: A Real-world Privacy-preserving Mobile Application for Smart Campus via Federated Learning & Analytics [2.9480133852414774]
  FedCampusは、アンダーライン学習(FL)とフェデレーション分析(FA)を備えたスマートアンダーラインキャンパスのためのプライバシ保護モバイルアプリである。 私たちのアプリは、FedCampusバックエンドプラットフォームを通じてFL/FAに処理パラメータが使用されるスマートウォッチからの差分プライバシ(DP)を介して、プライバシを保存する処理データを統合しています。
  論文  参考訳（メタデータ） (2024-08-31T01:58:36Z)
• APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a Service [1.5070429249282935]
  クロスサイロプライバシ保護フェデレーション学習(PPFL)は、機密性の高いローカルデータを共有することなく、堅牢で一般化された機械学習(ML)モデルを協調的にトレーニングする強力なツールである。 APPFLxは、プライバシ保護のためのクロスサイロ・フェデレーション・ラーニング・アズ・ア・サービスを提供する。
  論文  参考訳（メタデータ） (2023-08-17T05:15:47Z)
• Project Florida: Federated Learning Made Easy [4.829821142951709]
  本稿では,大規模フェデレートラーニング(FL)ソリューションの展開を可能にするシステムアーキテクチャとソフトウェア開発キット(SDK)であるProject Floridaを紹介する。 FLは、強力なデータ主権原則に基づく機械学習のアプローチである。 Project Floridaは、クラウドにホストされたインフラストラクチャとタスク管理インターフェースを提供することで、デバイス横断FLソリューションのデプロイ作業の簡略化を目指している。
  論文  参考訳（メタデータ） (2023-07-21T20:56:20Z)
• NVIDIA FLARE: Federated Learning from Simulation to Real-World [11.490933081543787]
  私たちはNVIDIA FLAREをオープンソース開発キット(SDK)として開発しました。 SDKには最先端のFLアルゴリズムとフェデレートされた機械学習アプローチのためのソリューションが含まれている。
  論文  参考訳（メタデータ） (2022-10-24T14:30:50Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• 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)
• Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)
• FedLab: A Flexible Federated Learning Framework [16.481399535233717]
  フェデレートラーニング(FL)は、プライバシ保護規則に違反することなく、複数のパーティが共有モデルをトレーニングできるプライバシー問題に対するソリューションである。 PyTorchをベースとしたフレキシブルでモジュール化されたFLフレームワークであるFedLabを開発した。
  論文  参考訳（メタデータ） (2021-07-24T14:34:02Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• 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)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。