論文の概要: Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning

• arxiv url: http://arxiv.org/abs/2511.14456v1
• Date: Tue, 18 Nov 2025 12:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.121223
• Title: Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning
• Title（参考訳）: クロスサイロ・フェデレーション学習における参加者の失敗の影響の分析
• Authors: Fabian Stricker, David Bermbach, Christian Zirpins,
• Abstract要約: Federated Learning(FL)は、データを共有することなく機械学習(ML)モデルをトレーニングするための新しいパラダイムである。 参加者数が少ないクロスサイロFLの文脈において,参加者の失敗がモデル品質に与える影響について検討した。 我々の結果は、堅牢なFLシステムの構築を目指す研究者やソフトウェアアーキテクトに洞察を与えます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is a new paradigm for training machine learning (ML) models without sharing data. While applying FL in cross-silo scenarios, where organizations collaborate, it is necessary that the FL system is reliable; however, participants can fail due to various reasons (e.g., communication issues or misconfigurations). In order to provide a reliable system, it is necessary to analyze the impact of participant failures. While this problem received attention in cross-device FL where mobile devices with limited resources participate, there is comparatively little research in cross-silo FL. Therefore, we conduct an extensive study for analyzing the impact of participant failures on the model quality in the context of inter-organizational cross-silo FL with few participants. In our study, we focus on analyzing generally influential factors such as the impact of the timing and the data as well as the impact on the evaluation, which is important for deciding, if the model should be deployed. We show that under high skews the evaluation is optimistic and hides the real impact. Furthermore, we demonstrate that the timing impacts the quality of the trained model. Our results offer insights for researchers and software architects aiming to build robust FL systems.
• Abstract（参考訳）: Federated Learning(FL)は、データを共有することなく機械学習(ML)モデルをトレーニングするための新しいパラダイムである。 組織が協力するクロスサイロシナリオでFLを適用する場合、FLシステムは信頼性が必要であるが、様々な理由(例えばコミュニケーションの問題や設定ミス)により、参加者は失敗する可能性がある。 信頼性の高いシステムを提供するためには、参加者の失敗の影響を分析する必要がある。 この問題は、限られたリソースを持つモバイルデバイスが参加するクロスデバイスFLでは注目されているが、クロスサイロFLでは比較的少ない研究がある。 そこで我々は, 組織間クロスサイロFLの文脈において, 参加者の失敗がモデル品質に与える影響を解析するために, 広範囲にわたる研究を行った。 本研究は, タイミングやデータの影響, 評価への影響など, 一般的に影響を及ぼす要因を分析することに焦点を当て, モデルが展開されるべきかどうかを判断する上で重要である。 高い歪みの下では、評価は楽観的であり、本当の影響を隠蔽することを示す。 さらに、タイミングが訓練されたモデルの品質に影響を及ぼすことを示す。 我々の結果は、堅牢なFLシステムの構築を目指す研究者やソフトウェアアーキテクトに洞察を与えます。

関連論文リスト

• Benchmarking Mutual Information-based Loss Functions in Federated Learning [2.79786165508341]
  フェデレートラーニング(FL)は、プライバシー規制の増大により、かなりの関心を集めている。 本稿では、これらの問題に対処するための相互情報に基づく損失関数の使用について検討する。
  論文  参考訳（メタデータ） (2025-04-16T08:58:44Z)
• An Empirical Study of the Impact of Federated Learning on Machine Learning Model Accuracy [6.907897341928317]
  Federated Learning (FL)は、グローバルスケールでプライベートユーザデータを分散MLモデルでトレーニングすることを可能にする。 我々は,この学習パラダイムが各種MLタスクの最先端MLモデルの精度にどのように影響するかを,体系的に検討する。
  論文  参考訳（メタデータ） (2025-03-26T17:52:30Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• 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)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• 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)
• Towards Interpretable Federated Learning [19.764172768506132]
  フェデレートラーニング(FL)は、複数のデータ所有者が、プライベートなローカルデータを公開せずに、協調して機械学習モデルを構築することを可能にする。 特に金融や医療といったミッションクリティカルなアプリケーションにおいて、パフォーマンス、プライバシ保護、解釈可能性の必要性のバランスをとることが重要です。 我々は、代表的IFL手法、一般的に採用されている性能評価指標、多目的IFL技術構築に向けた有望な方向性を包括的に分析する。
  論文  参考訳（メタデータ） (2023-02-27T02:06:18Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• 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)
• Characterizing Impacts of Heterogeneity in Federated Learning upon Large-Scale Smartphone Data [23.67491703843822]
  フェデレーテッド・ラーニング(FL)は、新しいプライバシー保護機械学習パラダイムであり、アカデミックや業界で大きな注目を集めている。 FLのユニークな特徴は異質性であり、様々なハードウェア仕様と、参加するデバイス全体の動的状態に存在する。 我々は、異種および異種な設定下での最先端のFLアルゴリズムの性能を比較するために、広範囲な実験を行った。
  論文  参考訳（メタデータ） (2020-06-12T07:49:21Z)

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。