文献

J-GLOBAL ID：202202232022299932   整理番号：22A0797986

マルチモーダル連合学習のための統一フレームワーク【JST・京大機械翻訳】

A unified framework for multi-modal federated learning

著者 (10件)： Xiong Baochen (Henan Institute of Advanced Technology, Zhengzhou University, China) ,  Xiong Baochen (Peng Cheng Laboratory, China) ,  Yang Xiaoshan (NLPR, Institute of Automation, Chinese Academy of Sciences, China) ,  Yang Xiaoshan (School of Artificial Intelligence, University of Chinese Academy of Sciences, China) ,  Yang Xiaoshan (Peng Cheng Laboratory, China) ,  Qi Fan (Hefei University of Technology, China) ,  Qi Fan (Peng Cheng Laboratory, China) ,  Xu Changsheng (NLPR, Institute of Automation, Chinese Academy of Sciences, China) ,  Xu Changsheng (School of Artificial Intelligence, University of Chinese Academy of Sciences, China) ,  Xu Changsheng (Peng Cheng Laboratory, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 480  ページ： 110-118  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 連合学習(FL)は,データを分離し,ユーザプライバシーを保護する機械学習設定である。クライアントは,データ相互作用なしでグローバルモデルを一緒に学習する。しかし,実世界から収集された高品質ラベル化データの欠如のため,既存のFL法の大部分は単一モードデータに頼っている。本論文では,マルチモーダル連合学習の新しい問題を考察した。多モードデータは,異なるモダリティの相補性から常に恩恵を受けるが,モダリティの不一致のため,従来のFL手法によるマルチモーダルFL問題を解決することは困難である。したがって,それを解くための統一フレームワークを提案した。本フレームワークでは,異なるモダリティの相補的情報を融合するために,共注意機構を使用した。増強されたFLアルゴリズムは,すべてのクライアントに対して共通モデルを共同訓練するために,異なるモダリティの有用な大域的特徴を学習できる。さらに,各クライアントの最終モデルを適応させるために,モデル-知識Meta学習(MAML)に基づく個人化法を用いた。マルチモーダル活性認識タスクに関する広範な実験結果は,提案した方法の有効性を実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  相互作用 ,  *学習 ,  データ ,  特性 ,  プライバシー ,  相補性 ,  *多モード ,  知識表現 ,  有効性 ,  単一モード ,  機械学習
準シソーラス用語： 連合学習 ,  モダリティ ,  高品質 ,  共同訓練 , 【Automatic Indexing@JST】

著者キーワード (3件)： マルチモーダル ,  連合学習 ,  共注意

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： マルチモーダル ,  学習 ,  フレームワーク