文献

J-GLOBAL ID：202102288514886354   整理番号：21A1476247

洗練された:連合学習のための洗練アルゴリズム【JST・京大機械翻訳】

RefinedFed: A Refining Algorithm for Federated Learning

著者 (2件)： Gharibi Mohamed (University of Missouri-Kansas City,Dept. of Computer Science and Electrical Engineering,Kansas City,MO,USA) ,  Rao Praveen (University of Missouri-Columbia,Dept. of Health Management and Informatics,Columbia,MO,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： AIPR  ページ： 1-5  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： 学習(FL)は,ホストプライベートデータセットを多数のクライアントを用いて集中化モデルを訓練することである。FLは,各データセットサイトでモデルのより小さなバージョンを訓練し,次にサーバですべてのモデルを集約する。実際には,学習プロセスに参加するクライアント(即ち,データセットホルダー)は,低い精度モデルをもたらす崩壊または雑音のあるデータセットを持つかもしれない。さらに,悪意のあるクライアントは,データを被毒するか,または,モデル発見攻撃を実行するかもしれない。本論文では,その精度を低減し,他の悪意のある活動を原因とする集中化モデルに負に影響することができる,崩壊した,低い精度,および雑音のあるモデルを除去する,精密化されたFedと呼ばれる精密化アルゴリズムを提案した。さらに,RefinedFedは集中サーバによるアップリンク通信コストを低減し,これはサーバ側でのより速い凝集をもたらす。MNISTデータセットに関する予備実験に基づいて,RefinedFedFedFedは,凝集の時間消費を少なくしながら,大域的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： *アルゴリズム ,  凝集 ,  雑音 ,  *学習 ,  集中化 ,  精密化 ,  サイバー攻撃
準シソーラス用語： 学習過程 ,  通信コスト ,  アップリンク ,  予備実験 , 【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 (2件)： 学習 ,  アルゴリズム