文献

J-GLOBAL ID：202102242134805860   整理番号：21A1768595

UCBFed:連合最適化問題を扱うための強化学習法の利用【JST・京大機械翻訳】

UCBFed: Using Reinforcement Learning Method to Tackle the Federated Optimization Problem

著者 (4件)： Chen Wanqi (Institute of Software, Chinese Academy of Sciences, Beijing, China) ,  Chen Wanqi (University of Chinese Academy of Sciences, Beijing, China) ,  Zhou Xin (Institute of Software, Chinese Academy of Sciences, Beijing, China) ,  Zhou Xin (University of Chinese Academy of Sciences, Beijing, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12718  ページ： 99-105  発行年： 2021年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 連合学習は,分散訓練とプライバシー保護に焦点を合わせるAI技術の新規な研究分野である。現在の連合最適化アルゴリズムは,特に非i.i.dシナリオにおいて,速度と精度の面で重大な課題に直面している。本研究では,各ラウンド最適化プロセスにおける参加クライアントを発見的に選択するために,上位信頼区間(UCB)法を使用する連合最適化アルゴリズムであるUCBFを提案した。多重連合分散データセットにおける提案アルゴリズムを評価した。最も広く使用されたFedAvgとFedOptと比較して,提案したUCBFは最終精度と通信効率の両方で優れている。Copyright IFIP International Federation for Information Processing 2021 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 ,  *最適化 ,  *最適化問題 ,  最適化手法 ,  多重化 ,  *強化学習
準シソーラス用語： プライバシー保護 , 【Automatic Indexing@JST】

著者キーワード (4件)： 連合学習 ,  上信頼限界 ,  分散学習 ,  最適化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 最適化問題 ,  強化学習