Fugu-MT 論文翻訳(概要): Quantization in Federated Learning: Methods, Challenges and Future Directions

論文の概要: Quantization in Federated Learning: Methods, Challenges and Future Directions

arxiv url: http://arxiv.org/abs/2606.26822v1
Date: Thu, 25 Jun 2026 10:03:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.232469
Title: Quantization in Federated Learning: Methods, Challenges and Future Directions
Title（参考訳）: フェデレートラーニングにおける量子化:方法,課題,今後の方向性
Abstract要約: 本稿では,FL中心の量子化を初めて体系的に検討し,FL固有次元を中心に整理された新しい分類法を提案する。量子化がクライアントドリフト、部分的参加、収束安定性、セキュアアグリゲーション、差分プライバシーなどの中核FL行動とどのように相互作用するかを分析する。
参考スコア（独自算出の注目度）: 6.698585272555488
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) has become a foundational paradigm for privacy-preserving distributed intelligence, yet its scalability remains fundamentally constrained by communication bottlenecks, device heterogeneity, and the challenges of training under statistically non-IID data. Quantization is one of the most effective mechanisms for mitigating these limitations, reducing both uplink/downlink payloads and on-device computation. This paper provides the first FL-centric systematic review of quantization, introducing a novel taxonomy organized around FL-specific dimensions, including client heterogeneity, aggregation consistency, communication-scheduling adaptation, non-IID robustness, privacy/security integration, and hardware/energy co-optimization. Beyond cataloging existing methods, we analyze how quantization interacts with core FL behaviors such as client drift, partial participation, convergence stability, secure aggregation, and differential privacy. We further identify cross-method insights, open research gaps, and design guidelines for practitioners deploying quantized FL on mobile, IoT, and edge platforms. This survey thus establishes quantization not merely as a compression technique, but as a fundamental systems component shaping the performance, robustness, and practicality of modern FL.
Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシを保存する分散インテリジェンスの基礎パラダイムとなっているが、そのスケーラビリティは、通信ボトルネック、デバイスの不均一性、統計的に非IIDデータの下でのトレーニングの課題など、基本的に制限されている。量子化はこれらの制限を緩和する最も効果的なメカニズムの1つであり、アップリンク/ダウンリンクペイロードとオンデバイス計算の両方を削減する。本稿では,クライアントの不均一性,アグリゲーションの整合性,通信スケジューリング適応,非IIDロバスト性,プライバシ/セキュリティ統合,ハードウェア/エネルギ共最適化など,FL固有の次元を包含する新たな分類法を提案する。既存の手法のカタログ化以外にも、クライアントのドリフト、部分的参加、収束安定性、セキュアアグリゲーション、差分プライバシーといった中核的なFLの振る舞いと量子化がどのように相互作用するかを分析する。さらに、モバイル、IoT、エッジプラットフォームに量子FLをデプロイする実践者のための、クロスメソッドな洞察、オープンな研究ギャップ、デザインガイドラインを特定します。そこで本研究では、量子化を単に圧縮技術としてではなく、現代のFLの性能、堅牢性、実用性を形作る基本的なシステムコンポーネントとして確立する。

関連論文リスト

A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-23T16:12:02Z)
Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文参考訳（メタデータ） (2026-02-01T05:54:59Z)
Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
論文参考訳（メタデータ） (2025-11-04T15:14:58Z)
Emerging Paradigms for Securing Federated Learning Systems [0.0]
MPC、ホモモルフィック暗号化(HE)、微分プライバシ(DP)などの手法は、しばしば高コストのコンプ・テイタショナル・コストを発生させ、スケーラビリティの制限に悩まされる。本調査では,フェデレート学習におけるプライバシと効率性の向上を約束する,新たなアプローチについて検討する。各パラダイムに対して、FLパイプラインとの関連性を評価し、その強み、限界、実践的考察を概説する。
論文参考訳（メタデータ） (2025-09-25T13:34:44Z)
Privacy-Preserving Quantized Federated Learning with Diverse Precision [26.884460225459627]
フェデレーテッド・ラーニング(FL)は、分散機械学習のための有望なパラダイムとして登場した。その進歩にもかかわらず、FLは次のように制限されている。 (i) 核融合センター(FC)へのローカルモデル更新の保護されていない送信から生じるプライバシーリスク。プライバシ(DP)と最小量子化誤差を同時に達成するために設計された新しい量子化器(SQ)を導入する。
論文参考訳（メタデータ） (2025-07-01T16:26:20Z)
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)
Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。提案手法の有効性を数値解析により検証した。
論文参考訳（メタデータ） (2024-11-04T17:48:02Z)
Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
論文参考訳（メタデータ） (2024-04-20T02:30:21Z)
Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文参考訳（メタデータ） (2024-03-05T20:54:56Z)
QMGeo: Differentially Private Federated Learning via Stochastic Quantization with Mixed Truncated Geometric Distribution [1.565361244756411]
Federated Learning(FL)は、複数のユーザがグローバル機械学習(ML)モデルを共同でトレーニングできるフレームワークである。このような分散フレームワークの重要な動機の1つは、ユーザにプライバシ保証を提供することである。本稿では,DPを提供するのに必要なランダム性を導入するために,混合幾何分布を用いた新しい量子化法を提案する。
論文参考訳（メタデータ） (2023-12-10T04:44:53Z)
Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。その独特な洞察力のある性質とその分析も提示される。
論文参考訳（メタデータ） (2023-10-30T14:15:47Z)

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。