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。
分散データに関する学習画像表現は,データがデータサイロを通して凝集できない場合において多くの利益をもたらすことができる。ソフトマックス交差エントロピー損失は,画像表現を学習するために,非常に効果的で,一般的に使用される。多数のクラスを用いて,集中学習におけるそのような表現の記述力に対して特に有益であることが証明されている。しかし,FLクライアントの計算と通信の需要がクラス数に比例して増加するので,Fedated Learningによる分散データに関する実行は簡単ではない。本研究では,フェドレーション学習による画像表現を学習するための資源効率の良いアプローチである連合サンプリングソフトマックス(FedSS)を導入した。特に,FLクライアントはクラス集合をサンプルし,大域的完全ソフトマックス目的を近似するサンプリングソフトマックス目的に関して対応するモデルパラメータのみを最適化する。損失定式化と経験的に,本手法がクライアントデバイスにより転送され,最適化されるパラメータ数を大幅に削減し,一方,標準完全ソフトマックス手法との構文を遂行することを示した。本研究は,与えられた設定の下で多数のクラスを有する分散データに関する画像表現を効率的に学習する可能性を作り出す。【JST・京大機械翻訳】