論文の概要: Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers

• arxiv url: http://arxiv.org/abs/2511.22616v1
• Date: Thu, 27 Nov 2025 16:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.654626
• Title: Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers
• Title（参考訳）: Federated Learning Survey: Aggregation Techniques, Experimental Insights, and Future Frontiersの多層分類
• Authors: Meriem Arbaoui, Mohamed-el-Amine Brahmia, Abdellatif Rahmoun, Mourad Zghal,
• Abstract要約: Federated Learning(FL)は、ローカルな生データを共有せずに協調的なモデルトレーニングを可能にする分散パラダイムである。 従来の集中型MLは、これらの課題を克服するために苦労しており、フェデレートラーニングの台頭につながっている。 本調査は、パーソナライゼーション、最適化、ロバストネスの3つの主要なFL研究方向性に焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.3966519779235704
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The integration of IoT and AI has unlocked innovation across industries, but growing privacy concerns and data isolation hinder progress. Traditional centralized ML struggles to overcome these challenges, which has led to the rise of Federated Learning (FL), a decentralized paradigm that enables collaborative model training without sharing local raw data. FL ensures data privacy, reduces communication overhead, and supports scalability, yet its heterogeneity adds complexity compared to centralized approaches. This survey focuses on three main FL research directions: personalization, optimization, and robustness, offering a structured classification through a hybrid methodology that combines bibliometric analysis with systematic review to identify the most influential works. We examine challenges and techniques related to heterogeneity, efficiency, security, and privacy, and provide a comprehensive overview of aggregation strategies, including architectures, synchronization methods, and diverse federation objectives. To complement this, we discuss practical evaluation approaches and present experiments comparing aggregation methods under IID and non-IID data distributions. Finally, we outline promising research directions to advance FL, aiming to guide future innovation in this rapidly evolving field.
• Abstract（参考訳）: IoTとAIの統合は業界全体のイノベーションを解放したが、プライバシの懸念とデータ分離の増大は進歩を妨げる。 従来の集中型MLはこれらの課題を克服するために苦労しており、ローカルな生データを共有せずに協調的なモデルトレーニングを可能にする分散パラダイムであるフェデレートラーニング(FL)の台頭につながっている。 FLはデータのプライバシを確保し、通信オーバーヘッドを低減し、スケーラビリティをサポートする。 本調査は, 個人化, 最適化, 堅牢性という3つの主要なFL研究の方向性に焦点を当て, 書誌分析と系統的考察を組み合わせて, もっとも影響力のある作品を特定するハイブリッド手法を用いて, 構造化された分類を提供する。 ヘテロジニティ,効率,セキュリティ,プライバシに関連する課題と技術について検討し,アーキテクチャ,同期手法,多種多様なフェデレーション目標を含む集約戦略を包括的に概観する。 そこで本研究では,IDDおよび非IIDデータ分布に基づくアグリゲーション手法の比較実験を行った。 最後に、この急速に発展する分野における将来のイノベーションを導くことを目的として、FLを進めるための有望な研究方向を概説する。

関連論文リスト

• A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under non-IID Challenges [3.7013094237697834]
  本研究は, 統計的不均一性による課題を包括的に理解し, 解決することを目的としている。 本研究では,CICIoT2023データセットを用いて大規模IoT攻撃を分類する。
  論文  参考訳（メタデータ） (2025-11-20T22:05:14Z)
• Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-24T16:10:29Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• Advances in Robust Federated Learning: A Survey with Heterogeneity Considerations [25.261572089655264]
  主な課題は、異なるデータ分散、モデル構造、タスク目標、計算能力、通信リソースを持つ複数のクライアントでモデルを効率的にトレーニングすることである。 本稿ではまず,不均一なフェデレーション学習の基本概念について概説する。 次に、フェデレーション学習における研究課題を、データ、モデル、タスク、デバイス、コミュニケーションの5つの側面の観点から要約する。
  論文  参考訳（メタデータ） (2024-05-16T06:35:42Z)
• FedEGG: Federated Learning with Explicit Global Guidance [90.04705121816185]
  フェデレートラーニング(FL)は、そのプライバシー保護の性質から、多様なアプリケーションにとって大きな可能性を秘めている。 既存の手法は、最適化ベースのクライアント制約、適応的なクライアント選択、事前訓練されたモデルや合成データの使用によってこれらの課題に対処するのに役立つ。 我々はbftextFedEGGを提案する。bftextFedEGGは、よく定義された、容易に収束できる学習タスクを用いて、グローバルガイドタスクを構築する新しいFLアルゴリズムである。
  論文  参考訳（メタデータ） (2024-04-18T04:25:21Z)
• 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)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。