文献

J-GLOBAL ID：202202227231525191   整理番号：22A1062422

異種環境における連合学習の経験的解析【JST・京大機械翻訳】

Empirical analysis of federated learning in heterogeneous environments

著者 (4件)： Abdelmoniem Ahmed M. (Queen Mary University of London, United Kingdom) ,  Ho Chen-Yu (KAUST, Saudi Arabia) ,  Papageorgiou Pantelis (KAUST, Saudi Arabia) ,  Canini Marco (KAUST, Saudi Arabia)
資料名： ACM Proceedings  (ACM Proceedings)
号： EuroMLSys ’22  ページ： 1-9  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 反復学習(FL)は,非構造化エンティティによって所有された分散,私的データセット上の協調学習のための一般的なパラダイムになっている。FLは生産環境において成功した展開を見せており,仮想キーボード,自動コンプレッション,アイテム推薦,およびいくつかのIoTアプリケーションのようなサービスで採用されている。しかし,FLは,集中型FLサーバの制御から外れる,主に不均一なデータセット,デバイス,およびネットワーク上で訓練を行う課題がある。この固有の設定により動機づけられて,訓練されたモデルに対するデバイスと行動不均一性の影響を特徴づけるための第一段階を作った。5つのポピュラーなFLベンチマークで1.5Kのユニークな構成に近い広範な経験的研究を行った。本解析は,これらの不均一性源がモデル性能と公平性の両方に大きな影響を持ち,従ってFLシステム設計における不均一性を考慮する重要性に光を当てることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： システム設計 ,  ネットワーク ,  特性 ,  応用プログラム ,  不均一性 ,  *ベンチマーク ,  公平性
準シソーラス用語： 協調学習 ,  反復学習 ,  ソフトウェアキーボード ,  エンティティ ,  モノのインターネット , 【Automatic Indexing@JST】

著者キーワード (4件)： 公平性 ,  連合学習 ,  不均一性 ,  性能

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 環境 ,  学習 ,  経験 ,  解析