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。
連合学習(FL)は,ユーザデバイスプライベートに個人データを維持しながら,機械学習モデルの分散型訓練を可能にする。人間行動認識(HAR)のようなモバイルセンシングの領域におけるFLの応用増加を wう一方で,FLはマルチデバイス環境(MDE)の文脈において研究されておらず,各ユーザは複数のデータ生成デバイスを所有している。モバイルおよびウェアラブルデバイスの増殖により,MDEsは,ユビコン設定においてますます普及し,従って,それらにおけるFLの研究を必要とする。MDEsにおけるFLは,ユーザとデバイス不均一性の両方の存在によって複雑に,クライアント全体で独立で同一分布(非IID)であると特性化される。さらに,MDEにおけるFLクライアント上のシステム資源の効率的な利用を確実にすることは,重要な課題のままである。本論文では,MDEsにおける統計的およびシステム不均一性に対抗するためのユーザ中心FL訓練アプローチであるFLAMEを提案し,デバイス全体の推論性能に一貫性をもたらす。FLAMEの特徴(i)同じユーザからデバイスを横断した時間アラインメントを利用するユーザ中心FL訓練;(ii)精度と効率意識デバイス選択;(iii)デバイスへのモデル個人化。また,現実的なエネルギードレインとネットワーク帯域幅プロファイルを有するFL評価テストベッドと,既存のHARデータセットを連合装置に拡張するための新しいクラスベースのデータ分割方式を提案した。3つのマルチデバイスHARデータセットに関する著者らの実験結果は,FLAMEが,FL作業負荷の公正な分布を通して,目標精度への収束において,4.3~25.8%高いF1スコア,1.02~2.86x大きなエネルギー効率,および2.06x高速化まで,種々のベースラインより優れていることを示した。【JST・京大機械翻訳】