論文の概要: Federated Learning Playground

• arxiv url: http://arxiv.org/abs/2602.19489v1
• Date: Mon, 23 Feb 2026 04:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.667516
• Title: Federated Learning Playground
• Title（参考訳）: Federated Learning Playground
• Authors: Bryan Guanrong Shan, Alysa Ziying Tan, Han Yu,
• Abstract要約: We present Federated Learning Playground, an interactive browser-based platform that teachs core Federated Learning (FL) concept。 ユーザは、コーディングやシステムセットアップなしで、ブラウザ内で異質なクライアントデータ分散と集約アルゴリズムを直接試すことができる。 この遊び場は教育ツールとして使いやすく、新入生の分散AIへの参入障壁を低くする。
• 参考スコア（独自算出の注目度）: 13.518363925108867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Federated Learning Playground, an interactive browser-based platform inspired by and extends TensorFlow Playground that teaches core Federated Learning (FL) concepts. Users can experiment with heterogeneous client data distributions, model hyperparameters, and aggregation algorithms directly in the browser without coding or system setup, and observe their effects on client and global models through real-time visualizations, gaining intuition for challenges such as non-IID data, local overfitting, and scalability. The playground serves as an easy to use educational tool, lowering the entry barrier for newcomers to distributed AI while also offering a sandbox for rapidly prototyping and comparing FL methods. By democratizing exploration of FL, it promotes broader understanding and adoption of this important paradigm.
• Abstract（参考訳）: 我々は、TensorFlow Playgroundにインスパイアされ拡張されたインタラクティブなブラウザベースのプラットフォームであるFederated Learning Playgroundを紹介し、中核的なFederated Learning(FL)概念を教える。 ユーザは、コーディングやシステムセットアップなしで、ブラウザ内で不均一なクライアントデータ分散、モデルハイパーパラメータ、集約アルゴリズムを直接試すことができ、リアルタイムの可視化を通じてクライアントとグローバルモデルへの影響を観察し、非IIDデータ、局所的なオーバーフィッティング、スケーラビリティといった課題に対する直感を得ることができる。 プレイグラウンドは、簡単に使える教育ツールとして機能し、新参者の分散AIへの参入障壁を低くするとともに、FLメソッドの迅速なプロトタイピングと比較のためのサンドボックスを提供する。 FLの探索を民主化することによって、この重要なパラダイムのより広範な理解と採用を促進する。

関連論文リスト

• Dynamic Participation in Federated Learning: Benchmarks and a Knowledge Pool Plugin [10.912739346462525]
  フェデレートラーニング(FL)は、クライアントが分散的な方法で共有モデルを協調的にトレーニングすることを可能にする。 既存のFL研究の多くは、動的参加の実践的なシナリオを見越して、一貫したクライアント参加を前提としている。 動的クライアント参加下でFLモデルをベンチマークするために明示的に設計された最初のオープンソースフレームワークを提示する。
  論文  参考訳（メタデータ） (2025-11-20T16:36:50Z)
• Mixture of Experts Made Personalized: Federated Prompt Learning for Vision-Language Models [7.810284483002312]
  フェデレート・プロンプト学習は,CLIP-like Vision-Language Model's (VLM's) によるファシリテート学習による堅牢な表現学習能力により,フェデレーション・プロンプト学習の恩恵を受ける。 現在のフェデレートされたプロンプト学習手法は、通常、従来のFLパラダイムに制限されており、参加するクライアントは通常、サーバから単一のグローバル集約モデルしかダウンロードできない。 適応確率の個人化混合(pFedMoAP)を提案する。これは、エキスパートの混合レンズ(MoE)を通して、迅速な学習プロセスをパーソナライズする新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2024-10-14T03:05:12Z)
• Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
  フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。 そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T11:01:10Z)
• Vertical Federated Learning: A Structured Literature Review [0.0]
  フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。 本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
  論文  参考訳（メタデータ） (2022-12-01T16:16:41Z)
• Federated Learning with Server Learning: Enhancing Performance for Non-IID Data [5.070289965695956]
  フェデレートラーニング(FL)は、クライアントに格納されたローカルデータを協調サーバで分散学習する手段として登場した。 近年の研究では、クライアントでのトレーニングデータが独立で、同一に分散されていない場合、FLは性能が悪く、収束が遅いことが示されている。 ここでは、サーバが小さなデータセットから補助学習を行うことにより、この性能劣化を軽減するための新たな補完的アプローチを検討する。
  論文  参考訳（メタデータ） (2022-10-06T00:27:16Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• 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)
• Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
  フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。 敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。 既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。 本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:52:33Z)

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。