論文の概要: Federated Computing -- Survey on Building Blocks, Extensions and Systems
- arxiv url: http://arxiv.org/abs/2404.02779v1
- Date: Wed, 3 Apr 2024 14:47:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 17:11:28.098033
- Title: Federated Computing -- Survey on Building Blocks, Extensions and Systems
- Title（参考訳）: Federated Computing -- ビルディングブロック,拡張,システムに関する調査
- Authors: René Schwermer, Ruben Mayer, Hans-Arno Jacobsen,
- Abstract要約: フェデレートコンピューティング(FC)は、個々のデータのプライバシを損なうことなく、協調的な処理を可能にすることで懸念に対処する。
FCは、フェデレートラーニング(FL)とフェデレートアナリティクス(FA)からなる。
現在の調査では、ドメイン固有のFLユースケースをキャプチャし、FCパイプライン内の個々のコンポーネントを個別に記述したり、分離したりしている。
本研究は, 基本構造, 拡張, アーキテクチャ, 環境, モチベーションを有するFCシステムの基盤構造を蒸留するための150以上の論文を調査する。
- 参考スコア（独自算出の注目度）: 14.179192441911098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In response to the increasing volume and sensitivity of data, traditional centralized computing models face challenges, such as data security breaches and regulatory hurdles. Federated Computing (FC) addresses these concerns by enabling collaborative processing without compromising individual data privacy. This is achieved through a decentralized network of devices, each retaining control over its data, while participating in collective computations. The motivation behind FC extends beyond technical considerations to encompass societal implications. As the need for responsible AI and ethical data practices intensifies, FC aligns with the principles of user empowerment and data sovereignty. FC comprises of Federated Learning (FL) and Federated Analytics (FA). FC systems became more complex over time and they currently lack a clear definition and taxonomy describing its moving pieces. Current surveys capture domain-specific FL use cases, describe individual components in an FC pipeline individually or decoupled from each other, or provide a quantitative overview of the number of published papers. This work surveys more than 150 papers to distill the underlying structure of FC systems with their basic building blocks, extensions, architecture, environment, and motivation. We capture FL and FA systems individually and point out unique difference between those two.
- Abstract（参考訳）: データの量と感度の増加に対応するため、従来の集中型コンピューティングモデルは、データセキュリティ違反や規制上のハードルといった課題に直面している。
フェデレートコンピューティング(FC)は、個々のデータのプライバシーを損なうことなく協調的な処理を可能にすることで、これらの懸念に対処する。
これはデバイスによる分散ネットワークを通じて実現され、それぞれがデータのコントロールを保持しながら、集合計算に参加する。
FCの背後にあるモチベーションは、社会的意味を包含する技術的な考慮を超えて拡張される。
責任あるAIと倫理的なデータプラクティスの必要性が増すにつれ、FCはユーザーの権限とデータの主権の原則に沿っている。
FCはフェデレーテッド・ラーニング(FL)とフェデレーテッド・アナリティクス(FA)で構成されている。
FCシステムは時間が経つにつれてより複雑になり、現在ではその移動部品を記述する明確な定義や分類が欠如している。
現在の調査では、ドメイン固有のFLのユースケースをキャプチャし、FCパイプライン内の個々のコンポーネントを個別に記述したり、分離したり、発行された論文の数について定量的に概説している。
本研究は, 基本構造, 拡張, アーキテクチャ, 環境, モチベーションを有するFCシステムの基盤構造を蒸留するための150以上の論文を調査する。
FLとFAのシステムを個別に捉え、両者のユニークな違いを指摘する。
関連論文リスト
- A Framework for testing Federated Learning algorithms using an edge-like environment [0.0]
フェデレーテッド・ラーニング(FL)は、多くのクライアントが、データをプライベートかつ分散化しながら、単一の集中型モデルを協調的にトレーニングする機械学習パラダイムである。
グローバル集中型モデルアグリゲーションにおける局所モデルの貢献を正確に評価するのは簡単ではない。
これはFLにおける大きな挑戦の例であり、一般にデータ不均衡またはクラス不均衡として知られている。
本研究では,FLアルゴリズムをより容易かつスケーラブルに評価するためのフレームワークを提案し,実装した。
論文 参考訳（メタデータ） (2024-07-17T19:52:53Z) - Decoupled Subgraph Federated Learning [57.588938805581044]
複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。
我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。
半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
論文 参考訳（メタデータ） (2024-02-29T13:47:23Z) - Federated Knowledge Graph Completion via Latent Embedding Sharing and
Tensor Factorization [51.286715478399515]
FLEST(Federated Latent Embedding Factorization)は、KGの完全化にFederated Factorizationを用いた新しい手法である。
FLESTは埋め込み行列を分解し、潜伏辞書の埋め込みを共有することでプライバシーリスクを低減している。
実証的な結果はFLESTの有効性と効率を示し、パフォーマンスとプライバシのバランスのとれたソリューションを提供する。
論文 参考訳（メタデータ） (2023-11-17T06:03:56Z) - Private Aggregation in Hierarchical Wireless Federated Learning with Partial and Full Collusion [19.614987907089596]
連合学習において、フェデレーターは、複数の参加するクライアントが保持する個人所有データ上で、モデルのトレーニングを調整する。
本稿では,クライアントを基地局に接続する階層型無線システムアーキテクチャについて考察する。
我々は,情報理論的プライバシの下でのコミュニケーションコストに,異なる共謀仮定による根本的な制限を導出する。
論文 参考訳（メタデータ） (2023-06-25T01:31:54Z) - FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for
Resource and Data Heterogeneity [56.82825745165945]
フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。
本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。
提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
論文 参考訳（メタデータ） (2022-06-21T17:23:06Z) - Privatized Graph Federated Learning [57.14673504239551]
グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。
グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2022-03-14T13:48:23Z) - FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。
本稿では,FL方式の通信能力について詳しく検討する。
我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
論文 参考訳（メタデータ） (2022-01-21T17:05:56Z) - Fairness, Integrity, and Privacy in a Scalable Blockchain-based
Federated Learning System [0.0]
フェデレートされた機械学習(FL)では、クライアントのモデルのみとして、センシティブなデータ上でモデルを集合的にトレーニングすることが可能で、トレーニングデータを共有する必要がなくなる。
FLの研究が注目されているにもかかわらず、この概念はいまだに広く採用されていない。
本稿では,ブロックチェーン技術,ローカルディファレンシャルプライバシ,ゼロ知識証明を組み込んだFLシステムを提案する。
論文 参考訳（メタデータ） (2021-11-11T16:08:44Z) - Segmented Federated Learning for Adaptive Intrusion Detection System [0.6445605125467573]
サイバー攻撃は組織に大きな財政的利益をもたらし、評判を害する。
現在のネットワーク侵入検知システム(NIDS)は不十分なようだ。
より効率的なNIDSのためのSegmented-Federated Learning(Segmented-FL)学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-02T07:47:05Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳（メタデータ） (2020-09-14T04:37:54Z) - FLaPS: Federated Learning and Privately Scaling [3.618133010429131]
フェデレートラーニング(Federated Learning, FL)とは、データを収集するデバイスにモデルを転送する分散学習プロセスである。
FLaPS(Federated Learning and Privately Scaling)アーキテクチャは,システムのセキュリティとプライバシだけでなく,スケーラビリティも向上する。
論文 参考訳（メタデータ） (2020-09-13T14:20:17Z)
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。