論文の概要: Modular Federated Learning: A Meta-Framework Perspective

• arxiv url: http://arxiv.org/abs/2505.08646v1
• Date: Tue, 13 May 2025 15:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.631188
• Title: Modular Federated Learning: A Meta-Framework Perspective
• Title（参考訳）: Modular Federated Learning:メタフレームワークの視点
• Authors: Frederico Vicente, Cláudia Soares, Dušan Jakovetić,
• Abstract要約: フェデレートラーニング(FL)は、プライバシを保持しながら、分散機械学習トレーニングを可能にする。 急速な進歩にもかかわらず、FLは複雑で多面体である。 モジュールコンポーネントの合成としてFLを概念化したメタフレームワークの観点を導入する。
• 参考スコア（独自算出の注目度）: 1.9067130892610522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) enables distributed machine learning training while preserving privacy, representing a paradigm shift for data-sensitive and decentralized environments. Despite its rapid advancements, FL remains a complex and multifaceted field, requiring a structured understanding of its methodologies, challenges, and applications. In this survey, we introduce a meta-framework perspective, conceptualising FL as a composition of modular components that systematically address core aspects such as communication, optimisation, security, and privacy. We provide a historical contextualisation of FL, tracing its evolution from distributed optimisation to modern distributed learning paradigms. Additionally, we propose a novel taxonomy distinguishing Aggregation from Alignment, introducing the concept of alignment as a fundamental operator alongside aggregation. To bridge theory with practice, we explore available FL frameworks in Python, facilitating real-world implementation. Finally, we systematise key challenges across FL sub-fields, providing insights into open research questions throughout the meta-framework modules. By structuring FL within a meta-framework of modular components and emphasising the dual role of Aggregation and Alignment, this survey provides a holistic and adaptable foundation for understanding and advancing FL research and deployment.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データに敏感で分散化された環境のパラダイムシフトを表す、プライバシを維持しながら、分散機械学習トレーニングを可能にする。 その急速な進歩にもかかわらず、FLは複雑で多面的な分野であり続け、その方法論、課題、応用に関する構造化された理解を必要としている。 本稿では,通信,最適化,セキュリティ,プライバシといった中核的な側面を体系的に扱うモジュールコンポーネントの構成要素として,FLを概念化したメタフレームワークの視点を紹介する。 我々は、FLの歴史的文脈化を提供し、その進化を分散最適化から現代の分散学習パラダイムへと追跡する。 また,アグリゲーションとアグリゲーションを区別する新しい分類法を提案し,アグリゲーションと並行してアグリゲーションの基本的な演算子としてのアライメントの概念を導入する。 理論を実践的にブリッジするために,実世界の実装を容易にするために,Pythonで利用可能なFLフレームワークについて検討する。 最後に、FLサブフィールド全体の重要な課題を体系化し、メタフレームワークモジュール全体のオープンな研究課題に関する洞察を提供する。 モジュラーコンポーネントのメタフレームワーク内でFLを構造化し、アグリゲーションとアライメントの二重の役割を強調することで、この調査はFLの研究と展開の理解と促進のための総合的で適応可能な基盤を提供する。

関連論文リスト

• Federated Learning in Practice: Reflections and Projections [17.445826363802997]
  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。
  論文  参考訳（メタデータ） (2024-10-11T15:10:38Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• Towards Open Federated Learning Platforms: Survey and Vision from Technical and Legal Perspectives [34.0620974123791]
  従来のフェデレートラーニング(FL)は、サーバが支配する協調パラダイムに従っています。 私たちは、現在のFLフレームワークの設計を再考し、より一般的な概念であるOpen Federated Learning Platformに拡張することを提唱します。
  論文  参考訳（メタデータ） (2023-07-05T09:30:14Z)
• 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)
• 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)
• 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)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。