A Design Toolbox for the Development of Collaborative Distributed Machine Learning Systems

要約

機密性を保持した方法で複数の関係者からの ML モデルの十分なトレーニングにトレーニング データを活用するために、支援学習、連合学習、分割学習などを実行するためのさまざまな協調分散機械学習 (CDML) システム設計が開発されています。
CDML システム設計は、エージェントの高い自律性、機械学習 (ML) モデルの機密性、フォールト トレランスなど、さまざまな特性を示します。
さまざまな特性を備えた多種多様な CDML システム設計に直面しているため、開発者にとって、ターゲットを絞った方法でユースケースの要件に一致する特性を備えた CDML システムを設計することは困難です。
ただし、CDML システムの設計が不適切だと、CDML システムが想定された目的を果たせない可能性があります。
CDML システムの開発をガイドできる CDML 設計ツールボックスを開発しました。
CDML 設計ツールボックスに基づいて、ユースケースの要件を満たす CDML システムの設計をサポートできる、明確な主要な特性を持つ CDML システム アーキタイプを示します。

要約(オリジナル)

To leverage training data for the sufficient training of ML models from multiple parties in a confidentiality-preserving way, various collaborative distributed machine learning (CDML) system designs have been developed, for example, to perform assisted learning, federated learning, and split learning. CDML system designs show different traits, for example, high agent autonomy, machine learning (ML) model confidentiality, and fault tolerance. Facing a wide variety of CDML system designs with different traits, it is difficult for developers to design CDML systems with traits that match use case requirements in a targeted way. However, inappropriate CDML system designs may result in CDML systems failing their envisioned purposes. We developed a CDML design toolbox that can guide the development of CDML systems. Based on the CDML design toolbox, we present CDML system archetypes with distinct key traits that can support the design of CDML systems to meet use case requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google