nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Current Challenges in Federated Learning: A Review

verfasst von : Jinsong Guo, Jiansheng Peng, Fengbo Bao

Erschienen in: Proceedings of the 13th International Conference on Computer Engineering and Networks

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Federated learning is a privacy-preserving solution for distributed machine learning, allowing participants to solve machine learning problems collaboratively without transmitting their local data to a central server. Instead, they exchange model parameters to achieve the desired outcomes. However, recent scholarly research has revealed several challenges in the traditional federated learning framework. This paper aims to address the issues of communication efficiency, privacy leakage, and client selection algorithms within the federated learning paradigm while exploring potential future research directions.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Research on Eliminating Mismatched Feature Points: A Review

Nächstes Kapitel Cloud-Network Resource Scheduling for ONAP-Based IDN

Caldas, S., Konečny, J., McMahan, H.B., et al: Expanding the reach of federated learning by reducing client resource requirements. arXiv preprint arXiv:1812.07210 (2018)

Rothchild, D., Panda, A., Ullah, E., et al.: Fetchsgd: communication-efficient federated learning with sketching. In: International Conference on Machine Learning. PMLR, pp. 8253–8265 (2020)

Anil, R., Pereyra, G., Passos, A., et al: Large scale distributed neural network training through online distillation. arXiv preprint arXiv:1804.03235 (2018)

Sui, D., Chen, Y., Zhao, J., et al.: Feded: federated learning via ensemble distillation for medical relation extraction. In: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 2118–2128 (2020)

Sun, L., Lyu, L.: Federated model distillation with noise-free differential privacy. arXiv preprint arXiv:2009.05537 (2020)

Zhu, L., Liu, Z., Han, S.: Deep leakage from gradients. Adv. Neural Inf. Process. Syst. 32 (2019)

Truex, S., Liu, L., Chow, K. H., et al.: LDP-fed: federated learning with local differential privacy. In: Proceedings of the Third ACM International Workshop on Edge Systems, Analytics and Networking, pp. 61–66 (2020)

Truex, S., Baracaldo, N., Anwar, A., et al.: A hybrid approach to privacy-preserving federated learning. In: Proceedings of the 12th ACM Workshop on Artificial Intelligence and Security, pp. 1–11 (2019)

Chamikara, M.A.P., Liu, D., Camtepe, S., et al.: Local differential privacy for federated learning in industrial settings. arXiv preprint arXiv:2202.06053 (2022)

10.

Zhang, C., Li, S., Xia, J., et al.: Batchcrypt: efficient homomorphic encryption for cross-silo federated learning. In: Proceedings of the 2020 USENIX Annual Technical Conference (USENIX ATC 2020) (2020)

11.

Ma, J., Naas, S.A., Sigg, S., et al.: Privacy-preserving federated learning based on multi-key homomorphic encryption. Int. J. Intell. Syst.Intell. Syst. 37(9), 5880–5901 (2022)CrossRef

12.

Nishio, T., Yonetani, R.: Client selection for federated learning with heterogeneous resources in mobile edge. In: ICC 2019–2019 IEEE International Conference on Communications (ICC). IEEE, pp. 1–7 (2019)

13.

Cho, Y.J., Wang, J., Joshi, G.: Client selection in federated learning: convergence analysis and power-of-choice selection strategies. arXiv preprint arXiv:2010.01243 (2020)

14.

Cao, M., Zhang, Y., Ma, Z., et al.: C2S: class-aware client selection for effective aggregation in federated learning. High-Confiden. Comput. 2(3), 1–9 (2022)CrossRef

15.

Wang, H., Xu, J.: Friends to help: saving federated learning from client dropout. arXiv preprint arXiv:2205.13222 (2022)

Titel: Current Challenges in Federated Learning: A Review
verfasst von: Jinsong Guo
Jiansheng Peng
Fengbo Bao
Verlag: Springer Nature Singapore
Buch: Proceedings of the 13th International Conference on Computer Engineering and Networks
Print ISBN: 978-981-9992-46-1

Electronic ISBN: 978-981-9992-47-8

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-99-9247-8_4

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"