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。
反復学習は,最近,訓練データセットが局所デバイスを決まないという顕著な特徴で,高品質モデルを訓練するために多様な情報源から豊富なデータを利用する利点を期待するパラダイムとして最近浮上している。モデル更新のみを局所的に計算し,大域的モデルを生成するために凝集に対して共有した。連合学習は,集中化データによる学習とは対照的にプライバシーの懸念を大いに緩和するが,共有モデル更新はプライバシーリスクを依然としてもたらす。本論文では,学習手順を通して個々のモデル更新の効率的な保護を提供するシステム設計を提示し,クラウドサーバが依然として凝集を実行することができる間,クライアントがあいまいなモデル更新を提供するだけを可能にした。著者らの連合学習システムは,軽量暗号と集約をサポートして,先の仕事から,また,将来のラウンドへの参加に影響のないドロップアウトクライアントに対するレジリエンスを,最初にデパートする。一方,事前作業は,暗号文ドメインにおける帯域幅効率最適化と,能動敵対クラウドサーバに対するセキュリティのサポートを主に見落とし,また,本論文で完全に探索し,効果的かつ効率的な機構を提供した。いくつかのベンチマークデータセット(MNIST,CIFAR-10,およびCelebA)に関する大規模な実験は,このシステムが,実際の性能で,平文ベースラインに匹敵する精度を達成することを示した。【JST・京大機械翻訳】