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。
学習は,機械学習モデルがローカル訓練データが存在するクライアントデバイスで訓練される分散学習技術である。訓練は,通常,得られたモデルの意図された所有者によって制御された中央サーバを介して協調される。訓練データを中央サーバに輸送する必要性を回避することにより,連合学習はプライバシーと効率を改善する。しかし,得られたモデルがあらゆるクライアントデバイスで利用可能であるので,それはクライアントによるモデルftの危険を提起する。局所訓練に用いるアプリケーションソフトウェアが,モデルへの直接アクセスを防ぐ試みであるとしても,悪意のあるクライアントは,アプリケーションソフトウェアをリバースエンジニアリングすることによって,そのような制約を迂回するかもしれない。電子透かしは,モデル所有者に対する手段を提供することにより,モデルの所有権を実証するための,モデル所有者に対するよく知られた抑止法である。いくつかの最近の深層ニューラルネットワーク(DNN)電子透かし技法は,バックドアリングを使用する:追加の誤ラベル付きデータでモデルを訓練する。バックドアリングは訓練データへの完全なアクセスと訓練プロセスの制御を必要とする。これは,単一パーティーが集中的な方法でこのモデルを訓練する時,訓練プロセスと訓練データがいくつかのクライアントデバイス間で分布する連合学習設定ではそうではない。本論文では,連合学習を用いて訓練された電子透かしDNNモデルに対する最初のアプローチであるWAFFLEを提案した。グローバルモデルへの局所モデルの各々の凝集の後,サーバに再訓練ステップを導入した。WAFFLEは,試験精度(-0.17%)において無視できる劣化しか発生しないモデル中に,弾性電子透かしを効率的に埋め込むこと,訓練データへのアクセスを必要としないことを示した。また,電子透かしとして使われるバックドアを生成するための新しい技術を導入した。それは事前技術,通信を課さず,低い計算(+3.2%)オーバヘッドを凌駕する。【JST・京大機械翻訳】
