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。
ビザンチンロバスト分散または連合学習において,中央サーバは,複数の労働者を横断したデータ上で機械学習モデルを訓練する。しかし,これらの労働者の一部は,所定のアルゴリズムから逸脱し,任意のメッセージを送る可能性がある。この問題は最近大きな注目を集めているが,ほとんどの現在の防御は労働者が同一のデータを持つと仮定する。労働者のデータが不均一(非iid)である場合,現実的な事例では,現在の防御を回避する新しい攻撃を設計し,性能の著しい損失をもたらす。次に,既存のロバストアルゴリズムを,無視できる計算コストで異種データセットに適応させる簡単なバケティング方式を提案した。また,著者らのアプローチを理論的および実験的に検証し,既存のロバストアルゴリズムとバケッティングを結合することは,攻撃に対して有効であることを示している。本研究は,現実的な仮定の下で,非iid Byzantineロバスト問題に対する保証された収束を確立する最初のものである。【JST・京大機械翻訳】