論文の概要: A Survey on Cluster-based Federated Learning

• arxiv url: http://arxiv.org/abs/2501.17512v1
• Date: Wed, 29 Jan 2025 09:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:54:41.520450
• Title: A Survey on Cluster-based Federated Learning
• Title（参考訳）: クラスタ型フェデレーションラーニングに関する調査
• Authors: Omar El-Rifai, Michael Ben Ali, Imen Megdiche, André Peninou, Olivier Teste,
• Abstract要約: フェデレーテッド・ラーニングのクライアントのデータは非独立に分散しており、ベースラインのFLアプローチは不足しているようだ。 PFLは暗黙の単一モデル制約を緩和し、データやローカルモデルから複数の仮説を学ぶことができる。 パーソナライズされたFLアプローチの中で、クラスタベースのソリューション(CFL)は、クライアントをグループに分割できる明確なドメイン知識を通じて、特に興味深いものです。
• 参考スコア（独自算出の注目度）: 0.5242869847419834
• License:
• Abstract: As the industrial and commercial use of Federated Learning (FL) has expanded, so has the need for optimized algorithms. In settings were FL clients' data is non-independently and identically distributed (non-IID) and with highly heterogeneous distributions, the baseline FL approach seems to fall short. To tackle this issue, recent studies, have looked into personalized FL (PFL) which relaxes the implicit single-model constraint and allows for multiple hypotheses to be learned from the data or local models. Among the personalized FL approaches, cluster-based solutions (CFL) are particularly interesting whenever it is clear -through domain knowledge -that the clients can be separated into groups. In this paper, we study recent works on CFL, proposing: i) a classification of CFL solutions for personalization; ii) a structured review of literature iii) a review of alternative use cases for CFL. CCS Concepts: $\bullet$ General and reference $\rightarrow$ Surveys and overviews; $\bullet$ Computing methodologies $\rightarrow$ Machine learning; $\bullet$ Information systems $\rightarrow$ Clustering; $\bullet$ Security and privacy $\rightarrow$ Privacy-preserving protocols.
• Abstract（参考訳）: FL(Federated Learning)の産業的および商業的利用が拡大するにつれ、最適化アルゴリズムの必要性が高まっている。 FLクライアントのデータは非独立で同一分布(非IID)であり、高度に均一な分布を持つ場合、ベースラインのFLアプローチは不足しているようである。 この問題に対処するため、最近の研究では、暗黙の単一モデル制約を緩和し、データや局所モデルから複数の仮説を学習できるパーソナライズされたFL(PFL)について検討している。 パーソナライズされたFLアプローチの中で、クラスタベースのソリューション(CFL)は、クライアントをグループに分割できる明確なドメイン知識を通じて、特に興味深いものです。 本稿では,CFLに関する最近の研究成果について述べる。 一 個人化のためのCFLソリューションの分類 二 文献の構造化審査 三 CFLの代替用途の見直し CCSの概念:$\bullet$ General and reference $\rightarrow$ Surveys and overviews; $\bullet$ Computing Methodologies $\rightarrow$ Machine Learning; $\bullet$ Information Systems $\rightarrow$ Clustering; $\bullet$ Security and privacy $\rightarrow$ Privacy-serving protocol。

関連論文リスト

• Find Your Optimal Assignments On-the-fly: A Holistic Framework for Clustered Federated Learning [5.045379017315639]
  Federated Learning(FL)は、エッジデバイスにデータを格納することでクライアントのプライバシを保護する、新興の分散機械学習アプローチである。 近年の研究では、異なるクラスタに分散シフトしたクライアントをグループ化することで、FLにおけるクライアントの不均一性に取り組むためのソリューションとしてクラスタリングが提案されている。 本稿では,現在のクラスタリングFL手法を包括的に検討し,既存のアプローチを包括・拡張するための4層フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-09T04:23:11Z)
• PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning [55.930403371398114]
  パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。 PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。 いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
  論文  参考訳（メタデータ） (2023-08-23T22:38:35Z)
• Federated Learning of Shareable Bases for Personalization-Friendly Image Classification [54.72892987840267]
  FedBasisは、いくつかの共有可能なベースモデルの集合を学習し、リニアに組み合わせて、クライアント用のパーソナライズされたモデルを形成することができる。 具体的には、新しいクライアントの場合、モデルの重みではなく、小さな組み合わせ係数のみを学ぶ必要がある。 また、FedBasisの有効性と適用性を示すために、画像分類のためのより実用的なPFLテストベッドを提案する。
  論文  参考訳（メタデータ） (2023-04-16T20:19:18Z)
• Stochastic Clustered Federated Learning [21.811496586350653]
  本稿では,一般の非IID問題に対する新しいクラスタ化フェデレーション学習手法であるStoCFLを提案する。 詳細は、StoCFLは、任意の割合のクライアント参加と新しく加入したクライアントをサポートする柔軟なCFLフレームワークを実装しています。 その結果,StoCFLはクラスタ数の不明な場合でも,有望なクラスタ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-02T01:39:16Z)
• 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)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)
• How Much Does It Cost to Train a Machine Learning Model over Distributed Data Sources? [4.222078489059043]
  フェデレーション学習は、デバイスが生データを共有せずに機械学習モデルをトレーニングすることを可能にする。 ゴシップフェデレーションラーニング(GFL)やブロックチェーン対応フェデレーションラーニング(BFL)のようなサーバーレスFLアプローチは、これらの問題を緩和するために提案されている。 GFLはトレーニング時間の18%、エネルギーの68%、データをCFLソリューションで共有する51%を節約できるが、CFLの精度に達することはできない。 BFLは、余分なエネルギー使用とデータ共有を犠牲にして、より高いレベルのセキュリティで分散学習を実装するための実行可能なソリューションである。
  論文  参考訳（メタデータ） (2022-09-15T08:13:40Z)
• Desirable Companion for Vertical Federated Learning: New Zeroth-Order Gradient Based Algorithm [140.25480610981504]
  VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。 ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-19T13:55:47Z)
• 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)

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。