論文の概要: FedModule: A Modular Federated Learning Framework

• arxiv url: http://arxiv.org/abs/2409.04849v1
• Date: Sat, 7 Sep 2024 15:03:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 20:20:37.117856
• Title: FedModule: A Modular Federated Learning Framework
• Title（参考訳）: FedModule: モジュール型フェデレーション学習フレームワーク
• Authors: Chuyi Chen, Zhe Zhang, Yanchao Zhao,
• Abstract要約: フェデレートラーニング(FL)は、医療、金融、スマートシティなど、さまざまな分野で広く採用されている。 本稿では,フレキシブルかつFLな実験フレームワークであるFedModuleを紹介する。 FedModuleは"1つのコード、すべてのシナリオ"の原則に準拠し、FLプロセスを個々のコンポーネントに分割するモジュール設計を採用しています。
• 参考スコア（独自算出の注目度）: 5.872098693249397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) has been widely adopted across various applications, such as healthcare, finance, and smart cities. However, as experimental scenarios become more complex, existing FL frameworks and benchmarks have struggled to keep pace. This paper introduces FedModule, a flexible and extensible FL experimental framework that has been open-sourced to support diverse FL paradigms and provide comprehensive benchmarks for complex experimental scenarios. FedModule adheres to the "one code, all scenarios" principle and employs a modular design that breaks the FL process into individual components, allowing for the seamless integration of different FL paradigms. The framework supports synchronous, asynchronous, and personalized federated learning, with over 20 implemented algorithms. Experiments conducted on public datasets demonstrate the flexibility and extensibility of FedModule. The framework offers multiple execution modes-including linear, threaded, process-based, and distributed-enabling users to tailor their setups to various experimental needs. Additionally, FedModule provides extensive logging and testing capabilities, which facilitate detailed performance analysis of FL algorithms. Comparative evaluations against existing FL toolkits, such as TensorFlow Federated, PySyft, Flower, and FLGo, highlight FedModule's superior scalability, flexibility, and comprehensive benchmark support. By addressing the limitations of current FL frameworks, FedModule marks a significant advancement in FL experimentation, providing researchers and practitioners with a robust tool for developing and evaluating FL algorithms across a wide range of scenarios.
• Abstract（参考訳）: フェデレートラーニング(FL)は、医療、金融、スマートシティなど、さまざまな分野で広く採用されている。 しかし、実験的なシナリオがより複雑になるにつれて、既存のFLフレームワークとベンチマークはペースを維持するのに苦労しています。 本稿では、様々なFLパラダイムをサポートし、複雑な実験シナリオに対する包括的なベンチマークを提供するためにオープンソース化されたフレキシブルで拡張可能なFL実験フレームワークであるFedModuleを紹介する。 FedModuleは"1つのコード、すべてのシナリオ"の原則に準拠し、FLプロセスを個々のコンポーネントに分割するモジュール設計を採用し、異なるFLパラダイムのシームレスな統合を可能にします。 フレームワークは同期、非同期、パーソナライズされたフェデレーション学習をサポートし、20以上のアルゴリズムを実装している。 公開データセットで実施された実験は、FedModuleの柔軟性と拡張性を示している。 このフレームワークは、複数の実行モード(線形、スレッド化、プロセスベース、分散化)を提供し、様々な実験的なニーズに合わせて設定をカスタマイズする。 さらに、FedModuleは広範なロギングとテスト機能を提供し、FLアルゴリズムの詳細なパフォーマンス解析を容易にする。 TensorFlow Federated、PySyft、Flower、FLGoといった既存のFLツールキットとの比較評価では、FedModuleの優れたスケーラビリティ、柔軟性、包括的なベンチマークサポートを強調している。 現在のFLフレームワークの限界に対処することによって、FedModuleはFL実験の大幅な進歩を示し、研究者や実践者が幅広いシナリオでFLアルゴリズムを開発し評価するための堅牢なツールを提供する。

関連論文リスト

• Supercharging Federated Learning with Flower and NVIDIA FLARE [44.51788032283202]
  FlowerやNVIDIA FLAREといったオープンソースシステムは近年開発されている。 両フレームワークの初期の統合について述べ、FLエコシステム全体をスーパーチャージするためにどのように連携できるかを示します。
  論文  参考訳（メタデータ） (2024-05-21T21:22:16Z)
• FLGo: A Fully Customizable Federated Learning Platform [23.09038374160798]
  FLGoと呼ばれる軽量なフェデレーション学習プラットフォームを提案する。 私たちのプラットフォームは、アウトオブボックスプラグインとして、40以上のベンチマーク、20以上のアルゴリズム、および2つのシステムシミュレータを提供しています。 また,並列加速度,実験トラッカ,パラメータ自動チューニングなどの実験ツールも開発している。
  論文  参考訳（メタデータ） (2023-06-21T07:55:29Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• ModularFed: Leveraging Modularity in Federated Learning Frameworks [8.139264167572213]
  本稿では,フェデレートラーニング(FL)実装の複雑さに対処する研究に焦点を当てたフレームワークを提案する。 このアーキテクチャでは、プロトコルはフレームワークのコンポーネントの設計を厳密に定義する青写真である。 我々のプロトコルはFLにおけるモジュラリティの実現を目的としており、サードパーティのプラグイン・アンド・プレイアーキテクチャと動的シミュレータをサポートしています。
  論文  参考訳（メタデータ） (2022-10-31T10:21:19Z)
• 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)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)
• 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)
• Flower: A Friendly Federated Learning Research Framework [18.54638343801354]
  フェデレートラーニング(FL)は、エッジデバイスが共同で共有予測モデルを学ぶための有望なテクニックとして登場した。 Flower - 大規模なFL実験を行うための新しい設備を提供することで、既存のプラットフォームと差別化を図った包括的なFLフレームワークである。
  論文  参考訳（メタデータ） (2020-07-28T17:59:07Z)
• 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。