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。
インテリジェントモバイルアプリケーションはモバイルデバイスに遍在している。これらのアプリケーションは,これらの新しく収集したデータに組込み機械学習モデルを継続的に適応する能力を持つことが期待される一方で,異なるユーザから新しい高感度データを収集する。ユーザのプライバシーを保護しながらサービスの品質を改善するために,分散移動学習(例えば,Feded Learning(FedAvg)[1])をクラウドからモバイルデバイスへのオフロードモデル訓練のために提案して,多重デバイスがクラウドにデータを漏洩することなく共有モデルを協調的に訓練する。しかしながら,この設計は,多様なアプリケーションコンテキストを持つモバイルデバイス上の機械学習モデル(例えば,畳込みニューラルネットワーク(CNN))を訓練するとき,実行不可能になる。例えば,従来の分散訓練方式では,異なるデバイスが統合訓練データセットを持ち,同一のCNNモデル構造を訓練すると仮定する。デバイス間の分散協調は,各同一局所モデルの直接的な重み平均によって実行される。一方,モバイル画像分類タスクでは,異なるモバイルアプリケーションは,個々のユーザの好みとアプリケーションの特異性に依存して,専用の分類ターゲットを持っている。従って,各局所モデルのモデル重量を直接平均化することは,試験精度の著しい低減をもたらす。この問題を解決するために,CAD:モバイルアプリケーションのためのコンテキスト意識分散学習フレームワークを提案し,そこでは,各モバイルデバイスを,全体モデル構造の代わりにコンテキスト適応サブモデル構造で配備した。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】