文献

J-GLOBAL ID：202002260326262191   整理番号：20A0901676

多目的進化連合学習【JST・京大機械翻訳】

Multi-Objective Evolutionary Federated Learning

著者 (2件)： Zhu Hangyu (Department of Computer Science, University of Surrey, Guildford, U.K.) ,  Jin Yaochu (Department of Computer Science, University of Surrey, Guildford, U.K.)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 31  号： 4  ページ： 1310-1322  発行年： 2020年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 連合学習は,個人情報の漏洩を防ぐために使用される新しい技術である。ユーザからデータを収集し,それらをクラウドサーバ上にまとめることを必要とする集中学習とは異なり,連合学習はグローバルモデルを学習することを可能にし,一方,データはユーザのデバイス上に配布される。しかし,従来の集中化手法と比較して,連合設定はクライアントのかなりの通信資源を消費し,それはグローバルモデルを更新するために不可欠であり,この技術を広く使用することを妨げる。本論文では,通信コストとグローバルモデル試験誤差を同時に最小化するために,多目的進化アルゴリズムを用いて連合学習におけるニューラルネットワークモデルの構造を最適化することを目的とした。ネットワーク接続性を符号化するための拡張可能な方法を,進化する深いニューラルネットワークにおける効率を強化するために連合学習に適応させた。多層パーセプトロンと畳込みニューラルネットワークの両方に関する実験結果は,提案した最適化手法が,通信コストを大幅に低減できるだけでなく,標準的な完全接続ニューラルネットワークと比較して連合学習の学習性能を改善できる最適化ニューラルネットワークモデルを見出すことができることを示した。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： 最適化 ,  *学習 ,  模型試験 ,  最適化手法 ,  ニューラルネットワーク ,  通信 ,  集中化 ,  多層パーセプトロン
準シソーラス用語： 連合学習 ,  神経回路網モデル ,  通信コスト ,  ネットワーク接続性 ,  多目的進化アルゴリズム ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 移動通信  (ND08030H) ,  計算機網  (JC03000K)

タイトルに関連する用語 (2件)： 進化 ,  学習