論文の概要: Efficiently Distributed Federated Learning

• arxiv url: http://arxiv.org/abs/2609.19972v1
• Date: Thu, 17 Sep 2026 09:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.207024
• Title: Efficiently Distributed Federated Learning
• Title（参考訳）: 効果的な分散フェデレーション学習
• Abstract要約: フェデレーション学習(FL)は、実践者が簡単に迅速にフェデレーションを構築できるように、多くのフレームワークが開発されている。 本研究では,FastFederatedLearning(FFL)というオープンソースのFLフレームワークを実装することで,これらの問題に対処する。 FFLはC/C++で実装されており、コードのパフォーマンスに重点を置いており、ユーザはフェデレーションに関わるクライアントとサーバ間の通信グラフを指定できる。
• 参考スコア（独自算出の注目度）: 2.350909378610388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) is experiencing a substantial research interest, with many frameworks being developed to allow practitioners to build federations easily and quickly. Most of these efforts do not consider two main aspects that are key to Machine Learning (ML) software: customizability and performance. This research addresses these issues by implementing an open-source FL framework named FastFederatedLearning (FFL). FFL is implemented in C/C++, focusing on code performance, and allows the user to specify any communication graph between clients and servers involved in the federation, ensuring customizability. FFL is tested against Intel OpenFL, achieving consistent speedups over different computational platforms (x86-64, ARM-v8, RISC-V), ranging from 2.5x and 3.69x. We aim to wrap FFL with a Python interface to ease its use and implement a middleware for different communication backends to be used. We aim to build dynamic federations in which relations between clients and servers are not static, giving life to an environment where federations can be seen as long-time evolving structures and exploited as services.
• Abstract（参考訳）: フェデレーション学習(FL)は、実践者が簡単に迅速にフェデレーションを構築できるように、多くのフレームワークが開発されている。 これらの取り組みの多くは、機械学習(ML)ソフトウェアの主要な2つの側面、すなわちカスタマイズ性とパフォーマンスを考慮していない。 本研究では,FastFederatedLearning(FFL)というオープンソースのFLフレームワークを実装することで,これらの問題に対処する。 FFLはC/C++で実装されており、コードのパフォーマンスに重点を置いており、ユーザはフェデレーションに関わるクライアントとサーバ間の通信グラフを指定でき、カスタマイズ性を確保することができる。 FFLはIntel OpenFLに対してテストされており、異なる計算プラットフォーム(x86-64、ARM-v8、RISC-V)で一貫したスピードアップを実現している。 我々は、FFLをPythonインターフェースでラップして、使用を容易にし、異なる通信バックエンド用のミドルウェアを実装することを目指している。 我々は,クライアントとサーバ間の関係が静的でない動的フェデレーションを構築することを目的としており,フェデレーションを長期に渡り進化する構造と見なし,サービスとして活用する環境に命を与える。

関連論文リスト

• Sparse-ProxSkip: Accelerated Sparse-to-Sparse Training in Federated Learning [56.21666819468249]
  FL(Federated Learning)では、クライアントリソースの制約と通信コストの両方が、大規模モデルのトレーニングに大きな問題を引き起こします。 最近の研究によると、局所的な訓練は加速によってコミュニケーションの複雑さを確実に改善する。 Sparse-ProxSkipを導入し、その課題に対処し、Sparse Training に展開する Straight-Through Estorimat の効率的な手法を実装した。
  論文  参考訳（メタデータ） (2024-05-31T05:21:12Z)
• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• Robust Collaborative Inference with Vertically Split Data Over Dynamic Device Environments [15.757660512833006]
  安全クリティカルなアプリケーションでは、環境破壊や極端な天候によるネットワーク障害に対して、協調推論は堅牢でなければならない。 まず、重要なネットワーク障害を経験できるデバイスの動的ネットワーク上で、ロバストな協調推論の問題を定式化する。 そこで我々は,マルチプルアグリゲーション(Multiple Aggregation with Gossip Rounds and Simulated Faults (MAGS))と呼ばれる最小限の手法を開発した。
  論文  参考訳（メタデータ） (2023-12-27T17:00:09Z)
• Serverless Federated Learning with flwr-serverless [0.0]
  私たちは、同期と非同期のフェデレーション学習の両方を可能にする、Flower Pythonパッケージのラッパーであるtextttflwr-serverlessを導入しました。 当社のフェデレート学習アプローチでは,中央サーバを使わずにプロセスを実行することが可能で,アプリケーションのドメインと利用のアクセシビリティが向上する。
  論文  参考訳（メタデータ） (2023-10-23T19:49:59Z)
• APPFLx: Providing Privacy-Preserving Cross-Silo Federated Learning as a Service [1.5070429249282935]
  クロスサイロプライバシ保護フェデレーション学習(PPFL)は、機密性の高いローカルデータを共有することなく、堅牢で一般化された機械学習(ML)モデルを協調的にトレーニングする強力なツールである。 APPFLxは、プライバシ保護のためのクロスサイロ・フェデレーション・ラーニング・アズ・ア・サービスを提供する。
  論文  参考訳（メタデータ） (2023-08-17T05:15:47Z)
• Communication-Efficient Vertical Federated Learning with Limited Overlapping Samples [34.576230628844506]
  我々は,textbfone-shot VFLと呼ばれる垂直連合学習(VFL)フレームワークを提案する。 提案したフレームワークでは、クライアントはサーバと一度か数回だけ通信する必要があります。 提案手法は46.5%以上の精度向上と通信コストの330$times$の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-28T19:30:23Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)
• 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)
• OpenFL: An open-source framework for Federated Learning [41.03632020180591]
  Federated Learning(FL)は、組織が機密データを共有せずに機械学習(ML)プロジェクトに協力できる計算パラダイムである。 OpenFLは、FLのデータプライベート共同学習パラダイムを使用してMLアルゴリズムを訓練するためのオープンソースのフレームワークです。
  論文  参考訳（メタデータ） (2021-05-13T16:40:19Z)

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。