Fugu-MT 論文翻訳(概要): Federated Learning in Practice: Reflections and Projections

論文の概要: Federated Learning in Practice: Reflections and Projections

arxiv url: http://arxiv.org/abs/2410.08892v1
Date: Fri, 11 Oct 2024 15:10:38 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 21:16:19.427146
Title: Federated Learning in Practice: Reflections and Projections
Title（参考訳）: フェデレーション・ラーニングの実践 - 振り返りと予測
Authors: Katharine Daly, Hubert Eichner, Peter Kairouz, H. Brendan McMahan, Daniel Ramage, Zheng Xu,
Abstract要約: Federated Learning(FL)は、複数のエンティティがローカルデータを交換することなく、共同で共有モデルを学ぶことができる機械学習技術である。 Google、Apple、Metaといった組織によるプロダクションシステムは、FLの現実的な適用性を実証しています。我々は、厳密な定義よりもプライバシー原則を優先する再定義されたFLフレームワークを提案する。
参考スコア（独自算出の注目度）: 17.445826363802997
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) is a machine learning technique that enables multiple entities to collaboratively learn a shared model without exchanging their local data. Over the past decade, FL systems have achieved substantial progress, scaling to millions of devices across various learning domains while offering meaningful differential privacy (DP) guarantees. Production systems from organizations like Google, Apple, and Meta demonstrate the real-world applicability of FL. However, key challenges remain, including verifying server-side DP guarantees and coordinating training across heterogeneous devices, limiting broader adoption. Additionally, emerging trends such as large (multi-modal) models and blurred lines between training, inference, and personalization challenge traditional FL frameworks. In response, we propose a redefined FL framework that prioritizes privacy principles rather than rigid definitions. We also chart a path forward by leveraging trusted execution environments and open-source ecosystems to address these challenges and facilitate future advancements in FL.
Abstract（参考訳）: Federated Learning(FL)は、複数のエンティティがローカルデータを交換することなく、共同で共有モデルを学ぶことができる機械学習技術である。過去10年間で、FLシステムは大きな進歩を遂げ、さまざまな学習領域にわたる数百万のデバイスにスケールアップし、意味のある差分プライバシー(DP)保証を提供してきた。 Google、Apple、Metaといった組織によるプロダクションシステムは、FLの現実的な適用性を実証しています。しかし、サーバ側のDP保証の検証や異種デバイス間のトレーニングの調整など、大きな課題が残っている。さらに、大規模な(マルチモーダル)モデルや、トレーニング、推論、パーソナライゼーションの間の曖昧な線のような新興トレンドは、従来のFLフレームワークに挑戦する。そこで本稿では,厳密な定義よりもプライバシの原則を優先する再定義FLフレームワークを提案する。信頼性のある実行環境とオープンソースエコシステムを活用して、これらの課題に対処し、FLの今後の進歩を促進するための道筋を図示します。

関連論文リスト

Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
論文参考訳（メタデータ） (2024-09-17T22:20:26Z)
Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文参考訳（メタデータ） (2023-12-07T20:39:57Z)
Hierarchical and Decentralised Federated Learning [3.055801139718484]
階層的フェデレーション学習は、より効率的なモデルアグリゲーションを可能にするために、従来のFLプロセスを拡張します。パフォーマンスの向上とコスト削減に加えて,従来のFLに適さない環境にFLをデプロイすることも可能だ。 H-FLは、局所性依存とグローバルな異常なロバスト性の間のトレードオフを最適に果たすために、複数のレベルでモデルを集約し、配布することができるので、将来のFLソリューションにとって不可欠である。
論文参考訳（メタデータ） (2023-04-28T17:06:50Z)
Synergies Between Federated Learning and O-RAN: Towards an Elastic Virtualized Architecture for Multiple Distributed Machine Learning Services [7.477830365234231]
我々は、動的マルチサービスFL(DMS-FL)と呼ばれる、NextGネットワーク上の汎用FLパラダイムを導入する。弾性FL(EV-FL)と呼ばれる新しい分散MLアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-04-14T19:21:42Z)
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)
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)
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)
Federated Learning Challenges and Opportunities: An Outlook [31.774995877770333]
エッジデバイスのリソースを活用するための有望なフレームワークとして、フェデレートラーニング(FL)が開発されている。本稿では,FLの5つの方向性に分類したFL開発の展望について述べる。
論文参考訳（メタデータ） (2022-02-01T23:32:21Z)
FLaaS: Federated Learning as a Service [3.128267020893596]
我々は、サードパーティのアプリケーション協調モデル構築のさまざまなシナリオを可能にするシステムであるフェデレートラーニング・アズ・ア・サービス(FL)について紹介する。概念実証として,携帯電話上で実装し,シミュレーションおよび実機における結果の実用的意味について議論する。 100台のデバイスで数時間で画像オブジェクト検出を行うアプリケーションにまたがる、ユニークなFLモデルやジョイントFLモデルの構築において、FLが実現可能であることを実証する。
論文参考訳（メタデータ） (2020-11-18T15:56:22Z)
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。