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。
個人と地球規模の目的が正確に整列しない場合,個人化連合学習(FL)の文脈において,限界課題は局所モデル改善とグローバルモデル調整のバランスをとることである。Bayes階層モデルに触発されて,著者らは,各クライアントが,その局所個人モデルの訓練と,他のクライアントの訓練に暗黙的に貢献する大域的モデルを自動的にバランスできる自己意識型個人化FL法を開発する。このようなバランスは,クライアント間および内部不確実性定量化から導かれる。より大きなクライアント間変動は,より多くの個人化が必要であることを意味する。対応して,著者らの方法は,従来の局所微調整とサンプルサイズベースの凝集の代わりに,不確実性駆動局所訓練ステップと凝集規則を使用する。合成データ,アマゾンAlexaオーディオデータ,およびMNIST,FEMNIST,CIFAR10,およびSent140のような公開データセットに関する実験的研究により,提案手法が既存の対応物と比較して大幅に改善された個人化性能を達成できることを示した。【JST・京大機械翻訳】