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。
監督された連合学習(FL)は,それらのラベル付きデータを共有せずに訓練されたモデルを共有するための複数のクライアントを可能にする。しかし,潜在的クライアントは,自分自身のデータをラベル付けするのが,実際にFLの適用可能性を制限する可能性がある。本論文では,クラスラベル確率がシフトされる場合,クラスラベル確率がシフトし,クラス条件分布がクライアントにより所有されたラベルなしデータ間で共有される場合,そのモデルがクラスラベルを予測するための分類器である教師なしFLの可能性を示す。教師なし学習(FedUL)の連合を提案し,ラベル無しデータを各クライアントの代理ラベルデータに変換し,修正モデルを教師つきFLにより訓練し,修正モデルから欲求モデルを復元した。FedULは教師なしFLに対する非常に一般的な解決策であり,それは多くの教師つきFL法に適合し,もしデータがラベル付けされたならば,欲求されたモデルの回復は理論的に保証される。ベンチマークと実世界データセットに関する実験は,FedULの有効性を実証した。コードはhttps://github.com/lunanbit/FedULで利用可能である。【JST・京大機械翻訳】