文献

J-GLOBAL ID：202102234552248707   整理番号：21A0011445

エッジデバイス学習のための分散解としての連合学習の解析【JST・京大機械翻訳】

Analysis of Federated Learning as a Distributed Solution for Learning on Edge Devices

著者 (4件)： Lameh Saba F. (University of Tabriz,Tabriz,Iran) ,  Noble Wade (Mount Royal University,Calgary,Canada) ,  Amannejad Yasaman (Mount Royal University,Calgary,Canada) ,  Afshar Arash (Aranite Inc.,Calgary,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IDSTA  ページ： 66-74  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： 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】

シソーラス用語： 畳込み ,  *学習 ,  情報源 ,  ネットワーク ,  弾性 ,  検層 ,  プライバシー ,  録画装置 ,  応用プログラム ,  携帯電話 ,  画像認識
準シソーラス用語： ウェアラブルデバイス ,  オーバヘッド ,  深層学習 ,  クラウドサーバ , 【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 (4件)： エッジ ,  学習 ,  解 ,  解析