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制限的なルールにより、フェデレーテッド ラーニングの開発が行われてきました。
フェデレーテッド ラーニングは、分散クライアントがそれぞれのトレーニング データを他のクライアントと共有することなく、モデルを共同でトレーニングできるようにする機械学習技術です。
このペーパーでは、まずフェデレーテッド ラーニングの技術的基盤とその組織的機会について検討します。
2 番目に、フェデレーテッド ラーニングを導入するための概念的なフレームワークを示し、人工知能の機能とデータ共有の制限によって 4 つのタイプの組織をマッピングします。
次に、公的機関、金融サービスプロバイダー、製造会社、研究開発コンソーシアムなど、さまざまな状況にある模範的な組織がフェデレーション ラーニングに対して異なるアプローチを検討する理由について説明します。
結論として、私たちは、フェデレーテッド ラーニングは、情報システム研究者にとって十分な学際的な機会を伴う組織的な課題を提示すると主張します。

要約(オリジナル)

Restrictive rules for data sharing in many industries have led to the development of federated learning. Federated learning is a machine-learning technique that allows distributed clients to train models collaboratively without the need to share their respective training data with others. In this paper, we first explore the technical foundations of federated learning and its organizational opportunities. Second, we present a conceptual framework for the adoption of federated learning, mapping four types of organizations by their artificial intelligence capabilities and limits to data sharing. We then discuss why exemplary organizations in different contexts – including public authorities, financial service providers, manufacturing companies, as well as research and development consortia – might consider different approaches to federated learning. To conclude, we argue that federated learning presents organizational challenges with ample interdisciplinary opportunities for information systems researchers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google