文献

J-GLOBAL ID：202202248076673008   整理番号：22A0977310

小さいSilosを横切る探査:ネットワークエッジ上の連合少数ショット学習【JST・京大機械翻訳】

Exploration Across Small Silos: Federated Few-Shot Learning on Network Edge

著者 (6件)： Zhao Cong (Imperial College London,UK) ,  Sun Xinyue (Xi’an Jiaotong University,China) ,  Yang Shusen (Xi’an Jiaotong University,China) ,  Ren Xuebin (Xi’an Jiaotong University,China) ,  Zhao Peng (Xi’an Jiaotong University,China) ,  McCann Julie (Imperial College London,UK)
資料名： IEEE Network  (IEEE Network)
巻： 36  号： 1  ページ： 159-165  発行年： 2022年 
JST資料番号： T0135A  ISSN： 0890-8044  資料種別： 逐次刊行物 (A)
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： 連合学習(FL)は,分散機械学習に関する学界と産業の両方から大きな注目を集めている。実際に,ネットワークエッジに存在する相互分離データセットの学習は,サイロとして知られており,FLクライアントは,多くの理由(例えば,高価な注釈)により,サンプルの欠如に悩まされ,これはFL性能に潜在的に大きな負の影響を持つ。わずかなショット学習(FSL)は有望な解決策と考えられてきたが,不幸なことに実際のクロスSilo連合学習(CSFL)システムに直接適用できない。本論文では,著者らが知る限り,CSFLシステムにおけるFSLの特異的課題の最初の系統的議論を行った。著者らは,Fedated Lowle-Shot Learning(FFSL)で発見された必須設計問題を抽出し,モデル-AgnosticMeta学習(MAML)に基づく新しいFFSL法を開発した。実世界連合データセットを用いた実験を通して,これまでFLとFSL法が失敗した異なる実用的CSFLシナリオにおいて,既存のFLとFSL法に対するこの方法の利点を包括的に実証した。また,いくつかの有望な将来の研究方向を強調する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *ネットワーク ,  粒状材 ,  機械学習 ,  アノテーション
準シソーラス用語： 連合学習 , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (3件)： 探査 ,  エッジ ,  少数ショット学習