| 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 | 2020-01-31 10:00 ［ポスター講演］実ネットワークにおけるFederated Learningの実験評価 ○吉田直矢・西尾理志・守倉正博・山本高至（京大）  SeMI2019-110 |
|
| 抄録 | （和） | FL (Federated Learning) 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． FLでは，各端末が自身のデータでモデルを更新し，サーバがそれらのモデルを1つに集約する． したがって，無線ネットワーク内の端末間に通信・計算資源の差があるとき，資源の乏しい端末が学習のボトルネックとなる． この問題を解決するFLの拡張方式として，通信帯域と計算能力に応じて端末を選択するFedCS (FL with Client Selection) 方式が提案されている． このようにFLやその拡張方式が提案されている一方，ネットワークや端末性能はシミュレーションであり、実験では評価されていない． ゆえに本研究では実機実装によりFLを実験評価する． モバイル端末としてLinuxボードを用い，無線LANを介してサーバと接続しFLを行う． FLは，端末を選択しない方式とFedCS方式の2つの方式を取り，画像のクラス分類問題を解く． 実験結果から，実機を用いたFLによりシミュレーションと同様に学習可能であることを実証した． |
| （英） | Federated Learning (FL) is a decentralized learning mechanism, which enables to train machine learning (ML) models using data of mobile devices while keeping all the data on the devices. In FL, a cloud server updates a model by aggregating multiple models updated by the mobile devices. Therefore, the overall training process can become inefficient when some devices are with poor computational resources or wireless channel conditions. In order to mitigate this problem, FL with Client Selection (FedCS) protocol, an extension of FL, has been proposed which solves a client selection problem with resource constraints. While FL and extensions of it have proposed as described above, the bandwidths and computation capability of each client are evaluated by only simulation. Thus, we implement the FL on real devices and evaluate it experimentally. We implement a server and Linux-based single board computers with wireless LAN connection. We performed non-selection FL protocol and FedCS protocol in the environment and solved a image classification problem. The experimental results show that the FL using real devices can learn the model as well as the simulation. |
|
| キーワード | （和） | Federated Learning / 実験評価 / モバイルネットワーク / スケジューリング / 機械学習 / / / |
| （英） | Federated Learning / Experimental Evaluation / Mobile Networks / Scheduling / Machine Learning / / / | |
| 文献情報 | 信学技報, vol. 119, no. 406, SeMI2019-110, pp. 49-50, 2020年1月. | |
| 資料番号 | SeMI2019-110 | |
| 発行日 | 2020-01-23 (SeMI) | |
| 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 | SeMI2019-110 |
|
| 研究会情報 | |
| 研究会 | SeMI |
| 開催期間 | 2020-01-30 - 2020-01-31 |
| 開催地（和） | ことひら温泉琴参閣 |
| 開催地（英） | |
| テーマ（和） | センシング，モビリティ，モバイル・ユビキタスコンピューティング，センサ・アドホック・モバイルネットワーク，アプリケーション，一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SeMI |
| 会議コード | 2020-01-SeMI |
| 本文の言語 | 日本語 |
| タイトル（和） | 実ネットワークにおけるFederated Learningの実験評価 |
| サブタイトル（和） | |
| タイトル（英） | Experimental Evaluation of Federated Learning in Real 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） | 実験評価 / Experimental Evaluation |
| キーワード(3)（和/英） | モバイルネットワーク / Mobile Networks |
| キーワード(4)（和/英） | スケジューリング / Scheduling |
| 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 / モリクラ マサヒロ |
| 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.) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-01-31 10:00:00 |
| 発表時間 | 90分 |
| 申込先研究会 | SeMI |
| 資料番号 | SeMI2019-110 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | no.406 |
| ページ範囲 | pp.49-50 |
| ページ数 | 2 |
| 発行日 | 2020-01-23 (SeMI) |
[研究会発表申込システムのトップページに戻る]