> ML_LITERATURE // MCMAHAN-2017-COMMUNICATION-EFFICIENT-LEARNING-FROM-DECENTRALIZED-DATA_v1.0
Communication-Efficient Learning of Deep Networks from Decentralized Data (FedAvg)
H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, Blaise Agüera y Arcas · International Conference on Artificial Intelligence and Statistics (AISTATS) (2017)
algorithm2017industry-standardthirdPartyReproduced
Temel Katkı (Principal Contribution)
Ham veriyi merkezileştirmeden yerel SGD güncellemeleriyle merkezi olmayan mobil cihazlarda modeller eğiten FedAvg algoritmasını ve Federe Öğrenmeyi tanıttı.
Operasyonel ve Mühendislik Uygunluğu
Üretim sistemlerinde task-federated-learning, task-privacy-preserving-ml uygulaması için yetkili referans olarak hizmet eder.
Temel Varsayımlar (Assumptions)
- Temel hesaplama topolojisi ve matematiksel sınırlar belirlenmiş dışbükeylik/pürüzsüzlük garantilerine uygundur
Kısıtlar ve Sınırlamalar (Limitations)
- Donanım hızlandırmaları, gizlilik bütçeleri ve yakınsama hiperparametrelere ve ağ iletişim limitlerine bağlıdır
Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler
İlgili Algoritmalar:
İlgili Mimariler:
Uygulayıcı Kütüphaneler: