論文の概要: Train While You Fight -- Technical Requirements for Advanced Distributed Learning Platforms

• arxiv url: http://arxiv.org/abs/2511.20813v1
• Date: Tue, 25 Nov 2025 19:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.840332
• Title: Train While You Fight -- Technical Requirements for Advanced Distributed Learning Platforms
• Title（参考訳）: Train While You Fight - 高度な分散学習プラットフォームの技術的要件
• Authors: Simon Hacks,
• Abstract要約: TWYF(Train While You Fight)は、運用中に発生する継続的学習を提唱する。 本稿では,先進的な分散学習プラットフォームがTWYFをサポートするために必要な技術的要件について検討する。 相互運用性、レジリエンス、多言語サポート、データセキュリティとプライバシ、スケーラビリティ、プラットフォーム独立性、モジュール化の7つの技術的課題を特定します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: "Train While You Fight" (TWYF) advocates for continuous learning that occurs during operations, not just before or after. This paper examines the technical requirements that advanced distributed learning (ADL) platforms must meet to support TWYF, and how existing software engineering patterns can fulfill these requirements. Using a Design Science Research approach, we (i) derive challenges from PfPC/NATO documentation and recent practice, (ii) define solution objectives, and (iii) conduct a systematic mapping from challenges to proven patterns. We identify seven technical challenges: interoperability, resilience, multilingual support, data security and privacy, scalability, platform independence, and modularity. We illustrate the patterns with a national use case from the German armed forces.
• Abstract（参考訳）: TWYF(Train While You Fight)は、運用中や前後ではなく、運用中に発生する継続的学習を提唱する。 本稿では,高度な分散学習(ADL)プラットフォームがTWYFをサポートするために必要な技術的要件と,既存のソフトウェア工学パターンがこれらの要件を満たす方法について検討する。 デザインサイエンス研究のアプローチを用いて i) PfPC/NATOドキュメンテーションと最近の実践から課題を導き出す。 (ii)解決目標を定義し、 3) 課題から実証されたパターンへの体系的なマッピングを行う。 相互運用性、レジリエンス、多言語サポート、データセキュリティとプライバシ、スケーラビリティ、プラットフォーム独立性、モジュール化の7つの技術的課題を特定します。 我々は、このパターンをドイツ軍の国家的ユースケースで説明する。

関連論文リスト

• Multi-Modal Multi-Task (M3T) Federated Foundation Models for Embodied AI: Potentials and Challenges for Edge Integration [19.990075206917904]
  組込みAIのためのマルチモーダル多タスクフェデレーションモデル(M3T-FFM)を導入する。 我々は、統合されたフレームワークの下で、具体化されたAIエコシステムにおけるM3T-FFMの重要なデプロイメント次元を収集する。 本稿では,M3T-FFMの試作実装について述べる。
  論文  参考訳（メタデータ） (2025-05-16T12:49:36Z)
• Forgetting Any Data at Any Time: A Theoretically Certified Unlearning Framework for Vertical Federated Learning [8.127710748771992]
  理論的に保証された未学習機能を備えた最初のVFLフレームワークを紹介する。 従来のアプローチとは異なり、私たちのソリューションはモデルとデータに依存しず、普遍的な互換性を提供します。 私たちのフレームワークは非同期のアンラーニングをサポートします。
  論文  参考訳（メタデータ） (2025-02-24T11:52:35Z)
• SAPT: A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models [71.78800549517298]
  大規模言語モデル(LLM)を動的世界に展開するには,継続的な学習(CL)能力が不可欠である。 既存の方法は、パラメータ効率チューニング(PET)ブロックを用いてタスク固有の知識を取得するための学習モジュールと、テスト入力に対して対応するものを選択するための選択モジュールを考案する。 本稿では,共有注意学習と選択モジュールを通じてPET学習と選択を調整するための新しい共有注意フレームワーク(SAPT)を提案する。
  論文  参考訳（メタデータ） (2024-01-16T11:45:03Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• A Study on Prompt-based Few-Shot Learning Methods for Belief State Tracking in Task-oriented Dialog Systems [10.024834304960846]
  タスク指向対話システムにおける対話的状態追跡問題に取り組む。 この問題に対する最近のアプローチでは、Transformerベースのモデルが大きな成果を上げている。 対話的信念状態追跡のためのプロンプトベース数ショット学習について検討する。
  論文  参考訳（メタデータ） (2022-04-18T05:29:54Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
  モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。 大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。 まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。 次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
  論文  参考訳（メタデータ） (2021-03-10T20:10:53Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)
• SoK: Training Machine Learning Models over Multiple Sources with Privacy Preservation [1.567576360103422]
  プライバシ保護を伴う複数のデータコントローラからの高品質なトレーニングデータは、高品質な機械学習モデルをトレーニングする上で重要な課題である。 学術研究者と産業ベンダーの双方が,(1)セキュア多人数学習(MPL)と(2)フェデレートラーニング(FL)の2つのソリューションのメインストリームフォルダーを提案する動機付けが強くなっている。 これら2つのソリューションには、プライバシ保護、通信方法、通信オーバーヘッド、データのフォーマット、トレーニング済みモデルの正確性、アプリケーションシナリオから評価する際のメリットと制限があります。
  論文  参考訳（メタデータ） (2020-12-06T22:24:28Z)

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。