農産食品部門におけるデータ共有の促進におけるクロス・シロ連合学習の役割【JST・京大機械翻訳】

Durrant Aiden; Durrant Aiden; Markovic Milan; Matthews David; May David; Enright Jessica; Leontidis Georgios

文献

J-GLOBAL ID：202202264329418260 整理番号：22A0573225

農産食品部門におけるデータ共有の促進におけるクロス・シロ連合学習の役割【JST・京大機械翻訳】

The role of cross-silo federated learning in facilitating data sharing in the agri-food sector

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0573225&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0573225&from=J-GLOBAL&jstjournalNo=T0337A") }}

著者 (7件)： , , , , , ,
資料名：
巻： 193 ページ： Null 発行年： 2022年
JST資料番号： T0337A ISSN： 0168-1699 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)

データ共有は,一般に,新しいAI技術を採用するとき,特に農業食品部門において,主要な妨害因子のままである。データの保護性は,この設定において自然である:データは,データ所有者のための貴重な商品であり,それは,適切に使用すれば,競合的な利点をもたらす操作とプロセスに関する有用な洞察を提供できる。残念なことに,新しいAI技術は,多くの場合,多くのシナリオが非現実的であるために,よく実行するために大量の訓練データを必要とする。しかし,最近の機械学習の進歩,例えば連合学習とプライバシー保護技術は,生データ自身の共有なしに,様々な情報源からのデータを訓練するのに必要なインフラストラクチャと支援技術を提供することにより,この問題への解決策を提供できる。本論文では,分散データを使用する連合学習に基づく技術的解決策(即ち,交換または共有されないデータ)を,サプライチェーンを横断したデータ共有を容易にするクロスサイス機械学習モデルを開発するために,提案した。ダイズ収量予測による生産最適化の改善に関する著者らのデータ共有提案に焦点を当て,そのような方法が他の問題設定で支援できる潜在的使用事例を提供した。著者らの結果は,著者らのアプローチが,個々のデータソースで訓練されたモデルより良好に機能するだけでなく,農業食品部門におけるデータ共有も,データ交換の代替案により可能となり,一方,生産性を高めるための新たな機械学習技術の採用にも役立つことを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

データ保護

, , , , ,

前のページに戻る