Modular Federated Learning: A Meta-Framework Perspective

要約

Federated Learning（FL）は、データに敏感で分散型環境のパラダイムシフトを表すプライバシーを維持しながら、分散型機械学習トレーニングを可能にします。
その急速な進歩にもかかわらず、FLは複雑で多面的な分野のままであり、その方法論、課題、およびアプリケーションを構造的に理解する必要があります。
この調査では、メタフレームワークの視点を紹介し、FLがコミュニケーション、最適化、セキュリティ、プライバシーなどのコア側面に体系的に対処するモジュラーコンポーネントの構成として概念化します。
FLの歴史的な文脈化を提供し、分散型の最適化から最新の分散学習パラダイムへの進化を追跡します。
さらに、集計をアラインメントと区別する新しい分類法を提案し、集計とともに基本的な演算子としてのアラインメントの概念を導入します。
理論を実践して橋渡しするために、Pythonで利用可能なFLフレームワークを探り、実際の実装を促進します。
最後に、FLサブフィールド全体で重要な課題を体系化し、メタフレームワークモジュール全体で開かれた研究の質問に関する洞察を提供します。
モジュラーコンポーネントのメタフレームワーク内でFLを構築し、集約とアラインメントの二重の役割を強調することにより、この調査は、FLの研究と展開を理解し、展開するための全体的で適応性のある基盤を提供します。

要約(オリジナル)

Federated Learning (FL) enables distributed machine learning training while preserving privacy, representing a paradigm shift for data-sensitive and decentralized environments. Despite its rapid advancements, FL remains a complex and multifaceted field, requiring a structured understanding of its methodologies, challenges, and applications. In this survey, we introduce a meta-framework perspective, conceptualising FL as a composition of modular components that systematically address core aspects such as communication, optimisation, security, and privacy. We provide a historical contextualisation of FL, tracing its evolution from distributed optimisation to modern distributed learning paradigms. Additionally, we propose a novel taxonomy distinguishing Aggregation from Alignment, introducing the concept of alignment as a fundamental operator alongside aggregation. To bridge theory with practice, we explore available FL frameworks in Python, facilitating real-world implementation. Finally, we systematise key challenges across FL sub-fields, providing insights into open research questions throughout the meta-framework modules. By structuring FL within a meta-framework of modular components and emphasising the dual role of Aggregation and Alignment, this survey provides a holistic and adaptable foundation for understanding and advancing FL research and deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google