Towards more sustainable enterprise data and application management with cross silo Federated Learning and Analytics

要約

プライバシー保護に取り組む新しい法的要件とポリシーに準拠するために、ますます多くの企業がクロスサイロ Federated Learning を世界規模で導入し始めています。このフェデレーション ラーニングでは、複数のクライアント/サイロが中央サーバーの調整の下でグローバル モデルを共同でトレーニングします。
データの共有と送信の代わりに、クライアントはプライベートのローカル データを使用してモデルをトレーニングし、モデルの更新を交換します。
ただし、関連する研究が不足しているため、クロスサイロ Federated Learning の炭素排出への影響についてはほとんど理解されていません。
この研究では、まず、モデルのトレーニングのみに焦点を当てるのではなく、AI 製品のライフサイクル全体にわたるクロスサイロ Federated Learning の持続可能性の側面を、集中型手法と比較しながら分析します。
現実世界のクロスサイロ Federated Learning 設定に対する、より包括的な定量的なコストと CO2 排出量の推定方法が提案されています。
次に、IT 企業の持続可能性とコスト効率を高めるために、クロスサイロ Federated Learning と分析を使用した新しいデータおよびアプリケーション管理システムを提案します。

要約(オリジナル)

To comply with new legal requirements and policies committed to privacy protection, more and more companies start to deploy cross-silo Federated Learning at global scale, where several clients/silos collaboratively train a global model under the coordination of a central server. Instead of data sharing and transmission, clients train models using their private local data and exchange model updates. However, there is little understanding of the carbon emission impact of cross silo Federated Learning due to the lack of related works. In this study, we first analyze the sustainability aspect of cross-silo Federated Learning, across the AI product life cycle instead of focusing only on the model training, with the comparison to the centralized method. A more holistic quantitative cost and CO2 emission estimation method for real world cross-silo Federated Learning setting is proposed. Secondly, we propose a novel data and application management system using cross silo Federated Learning and analytics to make IT companies more sustainable and cost effective.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google