Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence

要約

Federated Learning（FL）は、分散型機械学習の分野で変革的なパラダイムとして浮上し、モバイルデバイス、エッジノード、または組織などの複数のクライアントが、機密データを集中化する必要なく共有グローバルモデルを共同で訓練できるようにしました。
この分散型アプローチは、データのプライバシー、セキュリティ、規制のコンプライアンスに関する懸念の高まりに対処し、ヘルスケア、ファイナンス、スマートIoTシステムなどのドメインで特に魅力的です。
この調査では、コアアーキテクチャとコミュニケーションプロトコルから始まる、フェデレーション学習の簡潔で包括的な概要を提供します。
ローカルトレーニング、モデルの集約、グローバルアップデートなど、標準のFLライフサイクルについて説明します。
特に、非IID（非依存性と同一に分散された）データの処理、システムとハードウェアの不均一性の緩和、コミュニケーションオーバーヘッドの削減、差別的なプライバシーや安全性の集合などのメカニズムによるプライバシーの確保などの重要な技術的課題に特に重点が置かれています。
さらに、パーソナライズされたFL、クロスデバイスとクロスシロ設定、および強化学習や量子コンピューティングなどの他のパラダイムとの統合など、FL研究の新たな傾向を調べます。
また、実際のアプリケーションを強調し、FLの研究で一般的に使用されるベンチマークデータセットと評価メトリックを要約します。
最後に、スケーラブルで効率的で信頼できるFLシステムの開発を導くために、オープンな研究問題と将来の方向性の概要を説明します。

要約(オリジナル)

Federated Learning (FL) has emerged as a transformative paradigm in the field of distributed machine learning, enabling multiple clients such as mobile devices, edge nodes, or organizations to collaboratively train a shared global model without the need to centralize sensitive data. This decentralized approach addresses growing concerns around data privacy, security, and regulatory compliance, making it particularly attractive in domains such as healthcare, finance, and smart IoT systems. This survey provides a concise yet comprehensive overview of Federated Learning, beginning with its core architecture and communication protocol. We discuss the standard FL lifecycle, including local training, model aggregation, and global updates. A particular emphasis is placed on key technical challenges such as handling non-IID (non-independent and identically distributed) data, mitigating system and hardware heterogeneity, reducing communication overhead, and ensuring privacy through mechanisms like differential privacy and secure aggregation. Furthermore, we examine emerging trends in FL research, including personalized FL, cross-device versus cross-silo settings, and integration with other paradigms such as reinforcement learning and quantum computing. We also highlight real-world applications and summarize benchmark datasets and evaluation metrics commonly used in FL research. Finally, we outline open research problems and future directions to guide the development of scalable, efficient, and trustworthy FL systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google