文献

J-GLOBAL ID：202002230752390804   整理番号：20A1707992

無線ネットワークのためのハイブリッドFL:非IIDデータを用いた協調学習機構【JST・京大機械翻訳】

Hybrid-FL for Wireless Networks: Cooperative Learning Mechanism Using Non-IID Data

著者 (5件)： Yoshida Naoya (Kyoto University, Yoshida-honmachi,Graduate School of Informatics,Sakyo-ku,Kyoto,Japan,606-8501) ,  Nishio Takayuki (Kyoto University, Yoshida-honmachi,Graduate School of Informatics,Sakyo-ku,Kyoto,Japan,606-8501) ,  Morikura Masahiro (Kyoto University, Yoshida-honmachi,Graduate School of Informatics,Sakyo-ku,Kyoto,Japan,606-8501) ,  Yamamoto Koji (Kyoto University, Yoshida-honmachi,Graduate School of Informatics,Sakyo-ku,Kyoto,Japan,606-8501) ,  Yonetani Ryo (OMRON SINIC X Corporation,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICC  ページ： 1-7  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,協調機械学習(ML)における非独立型,非独立型分散(非IID)データによる性能劣化を緩和するための協調メカニズムを提案し,そのデータを,中心システムへのそれらのデータを収集せずに,モバイルクライアントの豊富なデータと計算資源を用いてMLモデルを訓練した。モバイルクライアントのデータは,モバイルクライアントの関心と利用の間の多様性のために,典型的に非IIDであり,非IIDデータによるFLは,モデル性能を低下させることができた。したがって,非IIDデータにより誘導される劣化を緩和するために,クライアントの限られた数(例えば1%以下)がサーバにアップロードされることを可能にし,ハイブリッド-FLと呼ぶハイブリッド学習メカニズムを提案し,サーバがクライアントから収集されたデータを使用してモデルを更新し,クライアントによって訓練されたモデルを用いてモデルを集約した。ハイブリッドFLは,発見的アルゴリズムを介してクライアントおよびデータ選択問題の両者を解決し,自分自身のデータ,サーバにデータをアップロードするクライアント,およびサーバにアップロードしたデータでモデルを訓練するクライアントの最適集合を選択することを試みた。アルゴリズムは,FLに参加するクライアントの数を増やして,サーバIIDにおいてより多くのデータを収集して,それによって,凝集モデルの予測精度を改善した。ネットワークシミュレーションとML実験から成る評価は,提案した方式が,非IIDケースに対して以前に提案された方式よりも13.5%高い分類精度を達成することを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  凝集 ,  *携帯電話 ,  機械学習
準シソーラス用語： *協調学習 ,  性能劣化 ,  *無線ネットワーク ,  予測精度 ,  アップロード ,  分類精度 ,  ネットワークシミュレーション ,  発見的アルゴリズム ,  計算資源 ,  ハイブリッド学習 ,  データ選択 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 無線ネットワーク ,  Fl ,  協調学習