Suche nach Personen

plus im Publikationsserver
plus bei Google Scholar

Bibliografische Daten exportieren
 

CollaFuse: Navigating Limited Resources and Privacy in Collaborative Generative AI

DOI zum Zitieren der Version auf EPub Bayreuth: https://doi.org/10.15495/EPub_UBT_00007511
URN zum Zitieren der Version auf EPub Bayreuth: urn:nbn:de:bvb:703-epub-7511-6

Titelangaben

Zipperling, Domenique ; Allmendinger, Simeon ; Struppek, Lukas ; Kühl, Niklas:
CollaFuse: Navigating Limited Resources and Privacy in Collaborative Generative AI.
2024
Veranstaltung: The 32nd European Conference on Information Systems (ECIS) , 13.06 - 19.06.2024 , Paphos, Cyprus.
(Veranstaltungsbeitrag: Kongress/Konferenz/Symposium/Tagung , Paper )

Volltext

[thumbnail of CollaFuse.pdf]
Format: PDF
Name: CollaFuse.pdf
Version: Veröffentlichte Version
Verfügbar mit der Lizenz Creative Commons BY-NC-ND 4.0: Namensnennung, nicht kommerziell, keine Bearbeitung
Download (409kB)

Abstract

In the landscape of generative artificial intelligence, diffusion-based models present challenges for socio-technical systems in data requirements and privacy. Traditional approaches like federated learning distribute the learning process but strain individual clients, especially with constrained resources (e.g., edge devices). In response to these challenges, we introduce CollaFuse, a novel framework inspired by split learning. Tailored for efficient and collaborative use of denoising diffusion probabilistic models, CollaFuse enables shared server training and inference, alleviating client computational burdens. This is achieved by retaining data and computationally inexpensive GPU processes locally at each client while outsourcing the computationally expensive processes to the shared server. Demonstrated in a healthcare context, CollaFuse enhances privacy by highly reducing the need for sensitive information sharing. These capabilities hold the potential to impact various application areas, such as the design of edge computing solutions, healthcare research, or autonomous driving. In essence, our work advances distributed machine learning, shaping the future of collaborative GenAI networks.

Weitere Angaben

Publikationsform: Veranstaltungsbeitrag (Paper)
Keywords: Generative Models; Distributed Learning; Split Learning; Diffusion Model
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
600 Technik, Medizin, angewandte Wissenschaften > 600 Technik
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz - Univ.-Prof. Dr.-Ing. Niklas Kühl
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz
Sprache: Englisch
Titel an der UBT entstanden: Ja
URN: urn:nbn:de:bvb:703-epub-7511-6
Eingestellt am: 02 Apr 2024 08:26
Letzte Änderung: 02 Apr 2024 08:27
URI: https://epub.uni-bayreuth.de/id/eprint/7511

Downloads

Downloads pro Monat im letzten Jahr