Decentralized Federated Learning: A Survey and Perspective

要約

Federated Learning（FL）は、ユーザーデータの保持、プライバシーの保護、学習効率の向上、通信オーバーヘッドの削減などを実現しながら知識を共有できることから注目されています。分散型FL（DFL）は、集中型FL（CFL）とは対照的に、中央サーバーを必要としない分散型のネットワークアーキテクチャである。DFLはクライアント間の直接通信を可能にし、通信リソースの大幅な節約を実現する。本論文では、DFLについて包括的なサーベイと深い展望を提供する。まず、CFLの方法論、課題、変種についてレビューし、DFLの背景を構築する。次に、反復順序、通信プロトコル、ネットワークトポロジ、パラダイムの提案、時間的変動など、DFLの体系的かつ詳細な視点を導入する。次に、DFLの定義に基づき、最新技術によるいくつかの拡張バリエーションと分類を提案する。最後に、DFLにおける現在の課題をまとめるとともに、いくつかの可能な解決策と将来の研究の方向性について議論する。

要約(オリジナル)

Federated learning (FL) has been gaining attention for its ability to share knowledge while maintaining user data, protecting privacy, increasing learning efficiency, and reducing communication overhead. Decentralized FL (DFL) is a decentralized network architecture that eliminates the need for a central server in contrast to centralized FL (CFL). DFL enables direct communication between clients, resulting in significant savings in communication resources. In this paper, a comprehensive survey and profound perspective is provided for DFL. First, a review of the methodology, challenges, and variants of CFL is conducted, laying the background of DFL. Then, a systematic and detailed perspective on DFL is introduced, including iteration order, communication protocols, network topologies, paradigm proposals, and temporal variability. Next, based on the definition of DFL, several extended variants and categorizations are proposed with state-of-the-art technologies. Lastly, in addition to summarizing the current challenges in the DFL, some possible solutions and future research directions are also discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL