| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2019-06-19 15:15 無線ネットワークでのnon-IIDデータを用いたFederated Learningの予測精度向上に関する検討 ○吉田直矢・西尾理志・守倉正博・山本高至（京大）・米谷 竜（オムロン サイニックエックス）  RCS2019-54 |
|
| 抄録 | （和） | Federated Learning（FL）は，モバイル端末が持つデータを端末に保持したまま利用する分散学習方式の1つである．ユーザの興味の多様性から，端末が持つデータは通常，独立同一分布（Independent and Identically Distributed：IID）とはならず，これによりFLで得られるモデルの性能が悪化する．本稿は，non-IIDデータを用いたFLの性能改善を目的とし，Hybrid-FLと呼ばれる新たなFL方式を提案する．Hybrid-FLでは，限られた数の端末（例えば，1%未満の端末）が，自身のデータのFLサーバへのアップロードを許可すると仮定し，端末によるモデル更新とともに，サーバがアップロードされたデータでモデルを更新する．端末が持つデータがnon-IIDな場合でも，複数の端末のデータを集めることで，サーバ内のデータはIIDに近くなると考えられ，IIDデータで更新したモデルが集約される．モバイルネットワークでは帯域制限によりすべてのデータやモデルを収集できないため，良いデータが学習に利用されるように，端末とデータを選択するアルゴリズムを設計する．このアルゴリズムにより，より多くのIIDデータをサーバに構成し，モデル性能を改善する．性能評価では，シミュレートされた無線通信環境で機械学習し，データがnon-IIDである場合に，提案方式で得られるモデルの分類精度が既存方式より高いことを示す． |
| （英） | Federated Learning (FL) is a decentralized learning mechanism, which enables to train machine learning (ML) model using the rich data of mobile clients while keeping all the data on mobile clients. Data on mobile clients is typically not independent and identically distributed (IID) owing to diverse of mobile users' interest, and FL on non-IID data could degrade the model performance. This work aims to extend FL to solve the performance degradation problem resulting from non-IID data. We assume that a limited number (e.g., less than 1%) of clients who allow their data to be uploaded to a server, and we propose a novel learning mechanism referred to as Hybrid-FL, where the server updates the model using data gathered from the clients and merges the model with models trained by clients. Even if each client has non-IID data, approximately IID data can be constructed on the server by combining data stored by multiple clients. In Hybrid-FL, we design heuristic algorithms that solve the data and client selection problem to construct ``good'' dataset on the server under bandwidth and time limitation. The algorithm increases the amount of data gathered from clients and makes the data approximately IID for improving model performance. Evaluations consisting of network simulations and machine learning (ML) experiments show that the proposed scheme achieves a significantly higher classification accuracy than previous schemes in the non-IID case. | |
| キーワード | （和） | Federated Learning / モバイルネットワーク / スケジューリング / non-IIDデータ / 機械学習 / / / |
| （英） | Federated Learning / Mobile Networks / Scheduling / non-IID data / Machine Learning / / / | |
| 文献情報 | 信学技報, vol. 119, no. 90, RCS2019-54, pp. 103-108, 2019年6月. | |
| 資料番号 | RCS2019-54 | |
| 発行日 | 2019-06-12 (RCS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | RCS2019-54 |
|
| 研究会情報 | |
| 研究会 | RCS |
| 開催期間 | 2019-06-19 - 2019-06-21 |
| 開催地（和） | 宮古島 平良港ターミナルビル |
| 開催地（英） | Miyakojima Hirara Port Terminal Building |
| テーマ（和） | 初めての研究会，リソース制御，スケジューリング，無線通信一般 |
| テーマ（英） | First Presentation in IEICE Technical Committee, Resource Control, Scheduling, Wireless Communications, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | RCS |
| 会議コード | 2019-06-RCS |
| 本文の言語 | 日本語 |
| タイトル（和） | 無線ネットワークでのnon-IIDデータを用いたFederated Learningの予測精度向上に関する検討 |
| サブタイトル（和） | |
| タイトル（英） | A Study for Improving Prediction Accuracy on Federated Learning with Non-IID Data in Wireless Networks |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Federated Learning / Federated Learning |
| キーワード(2)（和/英） | モバイルネットワーク / Mobile Networks |
| キーワード(3)（和/英） | スケジューリング / Scheduling |
| キーワード(4)（和/英） | non-IIDデータ / non-IID data |
| キーワード(5)（和/英） | 機械学習 / Machine Learning |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 吉田 直矢 / Naoya Yoshida / ヨシダ ナオヤ |
| 第1著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 西尾 理志 / Takayuki Nishio / ニシオ タカユキ |
| 第2著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 守倉 正博 / Masahiro Morikura / マサヒロ モリクラ |
| 第3著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 山本 高至 / Koji Yamamoto / ヤマモト コウジ |
| 第4著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第5著者 氏名（和/英/ヨミ） | 米谷 竜 / Ryo Yonetani / ヨネタニ リョウ |
| 第5著者 所属（和/英） | オムロン サイニックエックス 株式会社 (略称： オムロン サイニックエックス) OMRON SINIC X Corporation (略称： OMRON SINIC X Corp.) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2019-06-19 15:15:00 |
| 発表時間 | 10分 |
| 申込先研究会 | RCS |
| 資料番号 | RCS2019-54 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | no.90 |
| ページ範囲 | pp.103-108 |
| ページ数 | 6 |
| 発行日 | 2019-06-12 (RCS) |
[研究会発表申込システムのトップページに戻る]