論文の概要: InFL-UX: A Toolkit for Web-Based Interactive Federated Learning

• arxiv url: http://arxiv.org/abs/2503.04318v1
• Date: Thu, 06 Mar 2025 11:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:43.609848
• Title: InFL-UX: A Toolkit for Web-Based Interactive Federated Learning
• Title（参考訳）: InFL-UX: Webベースのインタラクティブフェデレーション学習用ツールキット
• Authors: Tim Maurer, Abdulrahman Mohamed Selim, Hasan Md Tusfiqur Alam, Matthias Eiletz, Michael Barz, Daniel Sonntag,
• Abstract要約: InFL-UXはブラウザベースのフェデレートラーニング(FL)ツールキットで、機械学習(ML)ワークフローにユーザコントリビューションをシームレスに統合するように設計されている。 ユーザビリティと分散モデルトレーニングを優先することにより、InFL-UXは、FLとInteractive Machine Learning(IML)のギャップを埋め、非技術者ユーザがML分類タスクに積極的に参加できるようにする。
• 参考スコア（独自算出の注目度）: 2.2320512724449233
• License:
• Abstract: This paper presents InFL-UX, an interactive, proof-of-concept browser-based Federated Learning (FL) toolkit designed to integrate user contributions seamlessly into the machine learning (ML) workflow. InFL-UX enables users across multiple devices to upload datasets, define classes, and collaboratively train classification models directly in the browser using modern web technologies. Unlike traditional FL toolkits, which often focus on backend simulations, InFL-UX provides a simple user interface for researchers to explore how users interact with and contribute to FL systems in real-world, interactive settings. By prioritising usability and decentralised model training, InFL-UX bridges the gap between FL and Interactive Machine Learning (IML), empowering non-technical users to actively participate in ML classification tasks.
• Abstract（参考訳）: 本稿では,機械学習(ML)ワークフローにユーザコントリビューションをシームレスに統合することを目的とした,インタラクティブな概念実証ブラウザベースのフェデレーション学習(FL)ツールキットであるInFL-UXを提案する。 InFL-UXは、複数のデバイスにまたがるユーザがデータセットをアップロードし、クラスを定義し、モダンなWeb技術を使用してブラウザ内で分類モデルを直接訓練することを可能にする。 バックエンドのシミュレーションに重点を置く従来のFLツールキットとは違って、InFL-UXは、ユーザが現実世界のインタラクティブな設定でFLシステムをどのように操作し、コントリビュートするかを研究者が調査するためのシンプルなユーザインターフェースを提供する。 ユーザビリティと分散モデルトレーニングを優先することにより、InFL-UXは、FLとInteractive Machine Learning(IML)のギャップを埋め、非技術者ユーザがML分類タスクに積極的に参加できるようにする。

関連論文リスト

• FL-APU: A Software Architecture to Ease Practical Implementation of Cross-Silo Federated Learning [0.0]
  Federated Learning(FL)は、現実世界のアプリケーションにますます適用されつつある技術である。 本稿では,機械学習モデルの品質向上のために,複数の企業が共同で作業する中でFLを実用化するためのシナリオベースアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-01-31T12:37:09Z)
• asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit [0.0]
  asanAIは、あらゆるスキルレベルのユーザ向けに設計された、オフラインファーストでオープンソースの、ノーコード機械学習ツールキットである。 個人は、Webブラウザから直接MLモデルを設計、デバッグ、トレーニング、テストすることができる。 このツールキットは、スマートフォンを含む最新のWebブラウザを持つあらゆるデバイス上で動作し、ローカルな計算によってユーザのプライバシを保証する。
  論文  参考訳（メタデータ） (2025-01-07T12:47:52Z)
• CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication [5.636155173401658]
  分散学習(SL)とフェデレート学習(FL)は、分散機械学習(ML)モデルをトレーニングするための有望な技術として登場した。 我々はこれらの技術を組み合わせて、ユーザのプライバシーを保護しながら、継続的な認証課題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2024-05-12T06:08:21Z)
• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• 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)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• A Framework of Meta Functional Learning for Regularising Knowledge Transfer [89.74127682599898]
  本研究では,データ豊富なタスクから一般化可能な関数型モデルをメタ学習することで,メタ関数型学習(MFL)の新たなフレームワークを提案する。 MFLは、限定ラベル付きデータに対する機能訓練が学習すべきより差別的な機能を促進することにより、異なる学習タスクに一般化可能な機能正規化に関するメタ知識を計算する。
  論文  参考訳（メタデータ） (2022-03-28T15:24:09Z)
• 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)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• OpenFL: An open-source framework for Federated Learning [41.03632020180591]
  Federated Learning(FL)は、組織が機密データを共有せずに機械学習(ML)プロジェクトに協力できる計算パラダイムである。 OpenFLは、FLのデータプライベート共同学習パラダイムを使用してMLアルゴリズムを訓練するためのオープンソースのフレームワークです。
  論文  参考訳（メタデータ） (2021-05-13T16:40:19Z)
• 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。