Fugu-MT 論文翻訳(概要): Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence

論文の概要: Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence

arxiv url: http://arxiv.org/abs/2504.17703v1
Date: Thu, 24 Apr 2025 16:10:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.458949
Title: Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
Title（参考訳）: Federated Learning:プライバシ保護コラボレーションインテリジェンスに関する調査
Authors: Edward Collins, Michel Wang,
Abstract要約: フェデレートラーニング(FL)は、分散機械学習の分野における変革的パラダイムとして登場した。この調査は、フェデレートラーニングの簡潔かつ包括的概要を提供する。
参考スコア（独自算出の注目度）: 0.09208007322096533
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Federated Learning (FL) has emerged as a transformative paradigm in the field of distributed machine learning, enabling multiple clients such as mobile devices, edge nodes, or organizations to collaboratively train a shared global model without the need to centralize sensitive data. This decentralized approach addresses growing concerns around data privacy, security, and regulatory compliance, making it particularly attractive in domains such as healthcare, finance, and smart IoT systems. This survey provides a concise yet comprehensive overview of Federated Learning, beginning with its core architecture and communication protocol. We discuss the standard FL lifecycle, including local training, model aggregation, and global updates. A particular emphasis is placed on key technical challenges such as handling non-IID (non-independent and identically distributed) data, mitigating system and hardware heterogeneity, reducing communication overhead, and ensuring privacy through mechanisms like differential privacy and secure aggregation. Furthermore, we examine emerging trends in FL research, including personalized FL, cross-device versus cross-silo settings, and integration with other paradigms such as reinforcement learning and quantum computing. We also highlight real-world applications and summarize benchmark datasets and evaluation metrics commonly used in FL research. Finally, we outline open research problems and future directions to guide the development of scalable, efficient, and trustworthy FL systems.
Abstract（参考訳）: フェデレートラーニング(FL)は、分散機械学習の分野における変革的パラダイムとして現れ、モバイルデバイスやエッジノード、組織などの複数のクライアントが、センシティブなデータを集中することなく、共同で共有グローバルモデルをトレーニングできるようにする。この分散化されたアプローチは、データプライバシやセキュリティ、規制コンプライアンスに関する懸念の高まりに対処する。この調査は、コアアーキテクチャと通信プロトコルから始まるフェデレートラーニングの簡潔かつ包括的な概要を提供する。ローカルトレーニングやモデルアグリゲーション,グローバルアップデートなど,標準的なFLライフサイクルについて論じる。非IID(非独立かつ同一の分散)データの処理、システムとハードウェアの不均一性の緩和、通信オーバーヘッドの低減、ディファレンシャルプライバシやセキュアアグリゲーションといったメカニズムによるプライバシの確保など、重要な技術的課題に特に重点を置いている。さらに、FL研究の新たなトレンドとして、パーソナライズされたFL、クロスデバイス対クロスサイロ設定、強化学習や量子コンピューティングといった他のパラダイムとの統合などについて検討する。また、実世界のアプリケーションを強調し、FL研究でよく使われるベンチマークデータセットと評価指標を要約する。最後に、スケーラブルで効率的で信頼性の高いFLシステムの開発を導くために、オープンな研究課題と今後の方向性について概説する。

関連論文リスト

Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。 Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。 Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。 SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文参考訳（メタデータ） (2024-05-01T14:59:24Z)
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)
A Comprehensive Study on Model Initialization Techniques Ensuring Efficient Federated Learning [0.0]
フェデレートラーニング(FL)は、分散とプライバシ保護の方法で機械学習モデルをトレーニングするための有望なパラダイムとして登場した。モデルに使用される手法の選択は、フェデレーション学習システムの性能、収束速度、通信効率、プライバシー保証において重要な役割を果たす。本研究は,各手法のメリットとデメリットを慎重に比較,分類,記述し,さまざまなFLシナリオに適用性について検討する。
論文参考訳（メタデータ） (2023-10-31T23:26:58Z)
Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
論文参考訳（メタデータ） (2023-10-08T19:54:26Z)
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)
FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文参考訳（メタデータ） (2022-05-19T03:32:03Z)
Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文参考訳（メタデータ） (2022-02-17T02:01:37Z)
SSFL: Tackling Label Deficiency in Federated Learning via Personalized Self-Supervision [34.38856587032084]
Federated Learning(FL)は、MLトレーニングエコシステムを、クラウド上の集中的な設定から、エッジデバイス上での分散トレーニングへと変えようとしている。本稿では,自己教師型・パーソナライズド・フェデレーション・ラーニング・フレームワークである,自己教師型フェデレーション・ラーニング(SSFL)を提案する。 FLにおける教師なし学習と教師なし学習との評価精度の差は小さく,合理的であることを示す。
論文参考訳（メタデータ） (2021-10-06T02:58:45Z)
Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文参考訳（メタデータ） (2021-03-31T15:14:39Z)
SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
論文参考訳（メタデータ） (2021-03-12T02:57:05Z)
Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。これにより、FLを大規模に実装する際の通信コストの課題が提起される。
論文参考訳（メタデータ） (2020-04-06T15:31:54Z)

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。