お知らせ 研究会の開催と会場に参加される皆様へのお願い(2022年6月開催~)
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 2021-07-16 13:25
局所差分プライバシを用いたFederated Learningにおける学習精度の評価検討
柿崎優太佐藤光哉岩村惠市東京理科大SR2021-37
抄録 (和) 各端末が訓練データを開示せずに協調して学習するFederated Learning において, 学習モデルに局所差分プライバシに基づく確率的ノイズを加えることでプライバシレベルを向上できる.一方,所望プライバシレベルと学習精度の間にはトレードオフの関係があるため,条件次第では端末ごと独立に学習を行った方がプライバシと学習精度を両立できる可能性がある.そこで本稿では,上記2 つのプライバシ保護手法について比較を行う.データセットサイズによって精度面での両者の優劣は変化することをを示し,プライバシ制約がある環境における学習設計について議論する. 
(英) In federated learning, where each device learns cooperatively without disclosing the training data, the privacy level can be improved by adding probabilistic noise based on local differential privacy to the training model. On the other hand, since there is a trade-off between the desired privacy level and the learning accuracy, it is possible to achieve both privacy and learning accuracy by training each device independently, depending on the conditions. In this paper, we compare the above two privacy protection methods. We show that the accuracy of the two methods depends on the size of the dataset, and discuss learning design in privacy-constrained environments.
キーワード (和) Federated Learning / 差分プライバシ / 局所差分プライバシ / 機械学習 / / / /  
(英) Federated Learning / Differential Privacy / Local Differential Privacy / Machine Learning / / / /  
文献情報 信学技報, vol. 121, no. 104, SR2021-37, pp. 87-93, 2021年7月.
資料番号 SR2021-37 
発行日 2021-07-07 (SR) 
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 SR2021-37

研究会情報
研究会 RCS SR NS SeMI RCC  
開催期間 2021-07-14 - 2021-07-16 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) 機械学習とAIを応用した通信・ネットワーク技術,M2M (Machine-to-Machine),D2D (Device-to-Device),IoT(Internet of Things),一般 
テーマ(英) Communication and Network Technology of the AI Age, M2M (Machine-to-Machine),D2D (Device-to-Device),IoT(Internet of Things), etc 
講演論文情報の詳細
申込み研究会 SR 
会議コード 2021-07-RCS-SR-NS-SeMI-RCC 
本文の言語 日本語 
タイトル(和) 局所差分プライバシを用いたFederated Learningにおける学習精度の評価検討 
サブタイトル(和)  
タイトル(英) An Evaluation of Learning Accuracy in Federated Learning with Local Differential Privacy 
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) 差分プライバシ / Differential Privacy  
キーワード(3)(和/英) 局所差分プライバシ / Local Differential Privacy  
キーワード(4)(和/英) 機械学習 / Machine Learning  
キーワード(5)(和/英) /  
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) 柿崎 優太 / Yuta Kakizaki / カキザキ ユウタ
第1著者 所属(和/英) 東京理科大学 (略称: 東京理科大)
Tokyo University of Science (略称: Tokyo Univ. of Science)
第2著者 氏名(和/英/ヨミ) 佐藤 光哉 / Koya Sato / サトウ コウヤ
第2著者 所属(和/英) 東京理科大学 (略称: 東京理科大)
Tokyo University of Science (略称: Tokyo Univ. of Science)
第3著者 氏名(和/英/ヨミ) 岩村 惠市 / Keiichi Iwamura / イワムラ ケイイチ
第3著者 所属(和/英) 東京理科大学 (略称: 東京理科大)
Tokyo University of Science (略称: Tokyo Univ. of Science)
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
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: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者 第1著者 
発表日時 2021-07-16 13:25:00 
発表時間 25分 
申込先研究会 SR 
資料番号 SR2021-37 
巻番号(vol) vol.121 
号番号(no) no.104 
ページ範囲 pp.87-93 
ページ数
発行日 2021-07-07 (SR) 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会