論文の概要: Research in Collaborative Learning Does Not Serve Cross-Silo Federated Learning in Practice

• arxiv url: http://arxiv.org/abs/2510.12595v1
• Date: Tue, 14 Oct 2025 14:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.990251
• Title: Research in Collaborative Learning Does Not Serve Cross-Silo Federated Learning in Practice
• Title（参考訳）: 協調学習の研究は、実践においてクロスサイロ・フェデレーション・ラーニングを損なうことはない
• Authors: Kevin Kuo, Chhavi Yadav, Virginia Smith,
• Abstract要約: クロスサイロ・フェデレーション・ラーニング(FL)は、プライベートデータを直接共有することなく、機械学習モデル開発におけるクロスオーガナイズ・コラボレーションを可能にする、有望なアプローチである。 HIPAAなどのデータ保護規制によって組織的関心が高まりつつあるにもかかわらず、実際にはクロスサイロFLの採用は限られている。
• 参考スコア（独自算出の注目度）: 21.29943620687951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-silo federated learning (FL) is a promising approach to enable cross-organization collaboration in machine learning model development without directly sharing private data. Despite growing organizational interest driven by data protection regulations such as GDPR and HIPAA, the adoption of cross-silo FL remains limited in practice. In this paper, we conduct an interview study to understand the practical challenges associated with cross-silo FL adoption. With interviews spanning a diverse set of stakeholders such as user organizations, software providers, and academic researchers, we uncover various barriers, from concerns about model performance to questions of incentives and trust between participating organizations. Our study shows that cross-silo FL faces a set of challenges that have yet to be well-captured by existing research in the area and are quite distinct from other forms of federated learning such as cross-device FL. We end with a discussion on future research directions that can help overcome these challenges.
• Abstract（参考訳）: クロスサイロ・フェデレーション・ラーニング(FL)は、プライベートデータを直接共有することなく、機械学習モデル開発におけるクロスオーガナイズ・コラボレーションを可能にする、有望なアプローチである。 GDPRやHIPAAなどのデータ保護規制によって組織的な関心が高まりつつあるにもかかわらず、実際にはクロスサイロFLの採用は限られている。 本稿では,クロスサイロFL導入に伴う実践的課題を理解するためのインタビュー研究を行う。 ユーザ組織やソフトウェアプロバイダ,学術研究者など,さまざまな利害関係者を対象としたインタビューでは,モデルパフォーマンスに関する懸念から,参加する組織間のインセンティブや信頼に関する疑問に至るまで,さまざまな障壁が明らかになった。 本研究は, クロスサイロFLが, 既存の研究でまだ十分に捉えられていない課題に直面することを示し, クロスデバイスFLのような他の形態のフェデレーションラーニングとは大きく異なっている。 最終的には、これらの課題を克服するための今後の研究の方向性に関する議論に終止符を打つ。

関連論文リスト

• Ten Challenging Problems in Federated Foundation Models [55.343738234307544]
  フェデレーション・ファンデーション・モデル(Federated Foundation Models、FedFM)は、フェデレーション・モデルの一般的な能力とフェデレーション・ラーニングのプライバシー保護能力を融合させる分散学習パラダイムである。 本稿では,FedFMに固有の10の課題について,基礎理論,プライベートデータの利用,継続学習,非学習,非IIDおよびグラフデータ,双方向知識伝達,インセンティブ機構設計,ゲーム機構設計,モデル透かし,効率を包括的に要約する。
  論文  参考訳（メタデータ） (2025-02-14T04:01:15Z)
• Concurrent vertical and horizontal federated learning with fuzzy cognitive maps [1.104960878651584]
  本研究ではファジィ認知地図を用いた新しいフェデレーション学習フレームワークを提案する。 多様なデータ分散と非識別分散機能によって引き起こされる課題を包括的に解決するように設計されている。 その結果,プライバシと機密性の基準を維持しつつ,望ましい学習結果を達成するためのアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2024-12-17T12:11:14Z)
• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• A Survey on Federated Unlearning: Challenges and Opportunities [32.0365189539138]
  本論文は、この新興分野における研究動向と課題を特定することを目的として、未学習の未学習文学を深く研究することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T19:35:08Z)
• A Comprehensive Survey of Federated Transfer Learning: Challenges, Methods and Applications [28.677457598856538]
  Federated Learning(FL)は、分散機械学習パラダイムであり、参加者がプライバシ保護を備えた集中型モデルを協調的にトレーニングすることを可能にする。 多くのFL法は、各参加者のトレーニングデータとテストデータが同じ特徴空間と同じ基礎分布からサンプリングされないため、うまく機能しない。 この問題を解決するために、フェデレートトランスファーラーニング(FTL)が多くの研究者の注目を集めている。
  論文  参考訳（メタデータ） (2024-03-03T03:52:27Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)

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。