文献

J-GLOBAL ID：202102245189285880   整理番号：21A0894480

モバイルアプリケーションにおけるCNNのための文脈を意識した分散学習に向けて【JST・京大機械翻訳】

Towards Context-aware Distributed Learning for CNN in Mobile Applications

著者 (2件)： Qin Zhuwei (San Francisco State University,School of Engineering) ,  Jiang Hao (San Francisco State University,School of Engineering)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SEC  ページ： 320  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： 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】

シソーラス用語： プライバシー ,  多重化 ,  *応用プログラム ,  高感度 ,  *携帯電話 ,  機械学習 ,  分散協調
準シソーラス用語： 画像分類 ,  モバイルデバイス ,  特異性 ,  分散学習 ,  *モバイルアプリケーション ,  畳込みニューラルネットワーク , 【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 (5件)： モバイルアプリケーション ,  CNN ,  文脈 ,  意識 ,  分散学習