抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
センサとスマートデバイスは大量のデータを連続的に収集する。今日の最新の機械学習(ML)技法(例えば深層ネットワーク)は,クラウドプラットフォームを用いて典型的に訓練され,クラウドの弾性スケーラビリティをレバーする。そのような処理に対して,様々な情報源からのデータはクラウドサーバに転送する必要がある。これは,いくつかの応用領域に対してよく働くが,プライバシーとネットワークオーバーヘッドの懸念により,それは適切ではない。携帯電話とウェアラブルデバイスからの共有寿命検層写真とビデオは,ユーザにとってプライバシー懸念を引き起こす。このようなアプリケーションのニーズに応えるため,携帯電話のようなエッジデバイスを学習するための分散ML解として,連合学習(FL)を提案した。FLでは,データはユーザのデバイスを残さない。すべてのユーザは,それらのデータを共有せずにモデルを協調的に訓練する。各ユーザは,それらのデータで局所モデルを訓練し,モデル更新をFLサーバと共有し,グローバルモデルを集約し,構築する。このような訓練は,ユーザのプライバシーを中心サーバに転送するためのネットワークオーバヘッドを低減しながら,ユーザのプライバシーを尊重する。本論文では,エッジデバイスを学習するためのFL手法の研究を目的とする。種々のパラメータ設定によるFLモデルの性能を調べ,その精度と訓練時間を,中央サーバ上で訓練された従来の学習技術と比較した。この目的のために,著者らは,伝統的および連合フォーマットにおける画像認識のための畳込み深層学習ネットワークを訓練した。その結果,中心サーバとのデータを共有せずに分散デバイス上で複雑な学習タスクを行うことができ,そのような連合モデルは中心モデルに匹敵する精度を達成できることを確認した。Copyright 2021 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】