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。
深層学習アルゴリズムが進化し,より洗練されたので,それらはモデル訓練とモデルの有効性のための大規模なデータセットを必要とする。それらのデータ要求の幾つかは,組織内の既存のデータセットの助けで満たされる。現在の機械学習実践は,既存のデータセットから合成データを生成するために活用できる。さらに,生成された合成データにおける多様性は,単一組織またはエンティティ内の利用可能なデータセットの統計的特性によって,(そして,おそらく制限される)ことを,十分に確立した。より多様な既存のデータセットは,より表現的で一般的な合成データである。しかし,基礎データの不足を考えると,1つの組織において大きなデータを照合することは挑戦的である。異なる組織にわたる多様な非重複データセットは,さらに合成するために利用できる大きなプールに対する限られた異なるデータに寄与するための機会を提供する。残念なことに,これは,いくつかの機関が快適でないかもしれないというデータプライバシー懸念を提起する。本論文では,合成データFedSynを生成する新しい方法を提案した。FedSynは,連合および協調ネットワークにおいて複数の参加者間で合成データを生成する協調的でプライバシー保護アプローチである。FedSynは合成データ生成モデルを生成し,ネットワーク内のほぼ全ての参加者の統計的分布からなる合成データを生成できる。FedSynは個々の参加者のデータへのアクセスを必要とせず,従って参加者のデータのプライバシーを保護する。本論文では,合成データ生成のためのニューラルネットワークアーキテクチャとして連合機械学習と生成敵対ネットワーク(GAN)を利用した。提案方法は,金融,健康,ガバナンス,技術,およびますます多くの機械学習問題クラスに拡張できる。【JST・京大機械翻訳】