Federated Learning: Organizational Opportunities, Challenges, and Adoption Strategies

要約

多くの業界におけるデータ共有のための制限的なルールが、 \ac{FL} の開発につながりました。\ac{FL}は、分散されたクライアントがそれぞれの学習データを他者と共有することなく、協調的にモデルを学習することを可能にするac{ML}技術です。本論文では、まずFLの技術的な基礎とその潜在的な応用を探る。第2に、FLを採用するための概念的な枠組みを提示し、FLの能力と環境に沿って組織をマッピングします。次に、業界コンソーシアム、既存の銀行、公的機関、データ集約型の中小企業など、異なる業界の模範的な組織が、異なるアプローチを検討する理由について議論します。結論として、ビジネスと情報システム工学のコミュニティにとって、「ac{FL}」は十分な学際的研究機会を伴う制度的転換をもたらすと主張する。

要約(オリジナル)

Restrictive rules for data sharing in many industries have led to the development of \ac{FL}. \ac{FL} is a \ac{ML} technique that allows distributed clients to train models collaboratively without the need to share their respective training data with others. In this article, we first explore the technical basics of FL and its potential applications. Second, we present a conceptual framework for the adoption of \ac{FL}, mapping organizations along the lines of their \ac{AI} capabilities and environment. We then discuss why exemplary organizations in different industries, including industry consortia, established banks, public authorities, and data-intensive SMEs might consider different approaches to \ac{FL}. To conclude, we argue that \ac{FL} presents an institutional shift with ample interdisciplinary research opportunities for the business and information systems engineering community.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL