連合クラス増分学習【JST・京大機械翻訳】

Dong Jiahua; Wang Lixu; Fang Zhen; Sun Gan; Xu Shichao; Wang Xiao; Zhu Qi

プレプリント

J-GLOBAL ID：202202215683084450 整理番号：22P0308123

連合クラス増分学習【JST・京大機械翻訳】

Federated Class-Incremental Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月22日プレプリントサーバーでの情報更新日： 2022年03月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

連合学習(FL)は,分散クライアントに関するデータプライベート協調訓練により,ますます注目を集めている。しかし,ほとんどの既存の方法は,全体フレームワークのオブジェクトクラスを非現実的に仮定する。グローバルモデルは,実世界シナリオにおける古いクラスに関する重要な壊滅的忘却に悩まされ,そこでは,ローカルクライアントは,しばしば新しいクラスを連続的に収集し,古いクラスを格納するために非常に限られた記憶メモリを持っている。さらに,新しいクラスを持つ新しいクライアントは,FL訓練に参加し,さらにグローバルモデルの破滅的忘却を悪化させる。これらの課題に取り組むために,著者らは,局所的および全体的展望の両方から壊滅的忘却を緩和するためのグローバルなクラスインクリメンタルモデルを学習するために,新しいグローバル-局所忘却補償(GLFC)モデルを開発した。具体的には,局所クライアントにおけるクラス不均衡に起因する局所忘却に対処するために,クラス認識勾配補償損失とクラスセマンティック関係蒸留損失を設計し,古いクラスの忘却をバランスさせ,タスクを横断して一貫したクラス間関係を蒸留する。クライアント間の非i.i.dクラス不均衡によりもたらされる大域的忘却に取り組むために,局所関係蒸留を支援するための最良の古いグローバルモデルを選択するプロキシサーバを提案した。さらに,プライバシーを保護するためにプロトタイプ勾配ベース通信機構を開発した。著者らのモデルは,代表的ベンチマークデータセットの平均精度に関して,4.4%~15.1%の最先端の方法より優れている。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

前のページに戻る