論文の概要: Distributed Learning as a Service: The Developer's Perspective
- arxiv url: http://arxiv.org/abs/2609.31061v1
- Date: Fri, 25 Sep 2026 10:00:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.332357
- Title: Distributed Learning as a Service: The Developer's Perspective
- Title（参考訳）: サービスとしての分散学習: 開発者の視点
- Abstract要約: 本稿では,DL(Distributed Learning as a Service)を開発者から紹介する。
単一の管理ダッシュボードを使用して、開発者は分散/フェデレーションの学習ジョブを開始する。
産業用スマートホーム Wake-up Word (WuW) タスクにおけるサービスライフサイクルの完全な説明を行う。
- 参考スコア（独自算出の注目度）: 38.477686638936994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Application developers of distributed learning services face challenges that a typical federated learning loop does not address. Specifically, the model updates can still leak private data, devices might not be able to participate in the training due to limited resources, a single aggregator might not be able to scale, and the transmissions of model weights induce a considerable bandwidth cost. This paper demonstrates DLaaS (Distributed Learning as a Service) from the developer's vantage point. Using a single admin dashboard, the developer initiates a distributed/federated learning job and is able to activate Differential Privacy (DP), Split Learning (SL), Hierarchical Aggregation (HA), and Knowledge Distillation (KD) as declarative options, with no change to the clients' code. We demonstrate the complete service lifecycle on an industrial smart-home Wake-up Word (WuW) task, using the "Ok Aura" dataset. Once the developer initiates a distributed learning job by toggling DP, SL, HA, and KD in the admin dashboard, the system dispatches the job to a set of Android clients and Dockerized helper aggregators. In the demonstration, these mechanisms run live across configurations. Then, the clients train the model locally and return their updates. The trained model is served to a consumer-side Android application that performs on-device WuW detection on a live microphone stream. In particular, the conference attendees will be invited to speak the trigger phrase and monitor in real time the per-class confidence and inference latency. Finally, we release the source code and short video walkthroughs of these configurations.
- Abstract（参考訳）: 分散学習サービスのアプリケーション開発者は、典型的なフェデレーション学習ループが対処しない課題に直面します。
具体的には、モデル更新はプライベートデータをリークする可能性があるし、デバイスは限られたリソースのためにトレーニングに参加できないかもしれないし、単一のアグリゲータはスケールできないかもしれないし、モデルの重み付けの送信はかなりの帯域幅コストを発生させる。
本稿では,DLaaS(Distributed Learning as a Service)を開発者から紹介する。
単一の管理ダッシュボードを使用して、開発者は分散/フェデレーションの学習ジョブを開始し、クライアントのコードを変更することなく、差別的プライバシ(DP)、分割学習(SL)、階層的集約(HA)、知識蒸留(KD)を宣言的なオプションとして起動することができる。
我々は、"Ok Aura"データセットを使用して、産業用スマートホームWake-up Word(WuW)タスクの完全なサービスライフサイクルを実演する。
管理者ダッシュボードにDP、SL、HA、KDをタグ付けすることで、開発者が分散学習ジョブを開始すると、システムはジョブを一連のAndroidクライアントとDocker化されたヘルパーアグリゲータにディスパッチする。
デモでは、これらのメカニズムが構成間で実行されます。
そして、クライアントはモデルをローカルにトレーニングし、アップデートを返す。
トレーニングされたモデルは、コンシューマサイドのAndroidアプリケーションに提供され、ライブマイクストリーム上でデバイス上でWuW検出を実行する。
特に、カンファレンス参加者はトリガーフレーズを話し、クラス毎の信頼性と推論遅延をリアルタイムで監視するように招待される。
最後に、これらの構成のソースコードと短いビデオウォークスルーをリリースする。
関連論文リスト
- Learning from the Future: Privileged Self-Distillation for Sequential Recommendation [51.993699802866956]
本稿では,学習時間情報と推論時間情報とを分離するフレームワークを提案する。
Privileged Self-Distillation (PSD)は、学習時間情報を推論時間情報から分離する。
PSDは1つの段階でエンドツーエンドに最適化され、デプロイされたモデルと推論コストは変わらない。
論文 参考訳（メタデータ） (2026-07-29T15:47:22Z) - CycleSL: Server-Client Cyclical Update Driven Scalable Split Learning [60.59553507555341]
本稿では,新たなアグリゲーションフリーな分割学習フレームワークであるCycleSLを紹介する。
ブロック座標降下の交互化によって着想を得たCycleSLは、サーバサイドトレーニングを独立した高レベルの機械学習タスクとして扱う。
実験結果から,CycleSLのモデル性能向上効果が示唆された。
論文 参考訳（メタデータ） (2025-11-23T21:00:21Z) - FedSAUC: A Similarity-Aware Update Control for Communication-Efficient Federated Learning in Edge Computing [0.0]
フェデレーション学習は、スマートフォン、ウェアラブルデバイス、IoT(Internet of Things)デバイスなどのエッジデバイスに適用される。
本稿では,ユーザの行動の類似性を考慮し,フェデレート学習のための更新制御であるFedSAUCを提案する。
実験によると、このアップデートコントロールは、長期的にはトレーニングの精度に影響を与えない。
論文 参考訳（メタデータ） (2025-04-07T09:21:43Z) - 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) - Split Federated Learning on Micro-controllers: A Keyword Spotting
Showcase [1.4794135558227681]
フェデレートラーニング(Federated Learning)は,ユーザの生データをサーバに収集することなく,ローカルでモデルをトレーニングする,プライベートラーニングスキームとして提案されている。
本研究では,Arduinoボード上に単純なSFLフレームワークを実装し,90%以上の精度でキーワードスポッティングアプリケーションのための中国語桁音声データセットの正当性を検証した。
英数字音声データセットでは、SFL実装は最先端のFL実装と比較して13.89%高い精度を実現している。
論文 参考訳（メタデータ） (2022-10-04T23:42:45Z) - Federated Split GANs [12.007429155505767]
ユーザデバイス自体でMLモデルをトレーニングするための代替手法を提案する。
我々は、GAN(ジェネレーティブ・逆境ネットワーク)に注目し、その固有のプライバシー保護属性を活用する。
我々のシステムはデータのプライバシを保ち、短時間のトレーニング時間を保ち、制約のないデバイスで同じ精度でモデルトレーニングを行う。
論文 参考訳（メタデータ） (2022-07-04T23:53:47Z) - FLHub: a Federated Learning model sharing service [0.7614628596146599]
機械学習モデルの共有サービスとしてフェデレートラーニングハブ(FLHub)を提案する。
FLHubを使えば、GitHubと同じように、他の開発者が開発したモデルをアップロード、ダウンロード、コントリビュートすることができる。
我々は、フォークモデルが既存のモデルよりも速くトレーニングを完了し、各フェデレートラウンドで学習がより高速に進行できることを実証した。
論文 参考訳（メタデータ） (2022-02-14T06:02:55Z) - An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。
本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。
我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文 参考訳（メタデータ） (2021-11-19T12:58:59Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z)
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。