| 講演抄録/キーワード |
| 講演名 |
2022-03-08 15:55
[招待講演]メカニズムとの学際的統合による新しい分散学習理論基盤の構築 ○今泉允聡(東大) IBISML2021-38 |
| 抄録 |
(和) |
本発表では,D3-AI(多様性と環境変化に寄り添う分散人工知能)開発の一環として,インセンティブを操作するメカニズムを備えた連合学習(federated learning)の技術開発を紹介する.連合学習は,参加する各エージェントから提供された学習済みモデルを統合して再配布する学習システムであり,各エージェントがデータを提供しなくても良い予測モデルを作れるという利点から注目を集めている.対して,連合学習のシステムに参加したエージェントには,独自の学習コストやモデル送付の通信コストが課せられるため,エージェントの参加インセンティブが重要な要素であることが知られている.本研究プロジェクトの結果の1つでは,一定の性質を持つ連合学習システムの汎化誤差と参加インセンティブを解析し,その問題点を解決する学習フレームワークを提案した.まず,各エージェントが持つデータの乖離度が大きいとき,特に大量・汎用的なデータを持つエージェント(有力エージェント)が直面するミニマックス汎化誤差は,連合学習に参加しない場合と変わらないことを示した.これにより,有力エージェントは金銭的補償などの支援がない場合は連合学習に参加しないため,システムは継続的に報酬を拠出しなければならないことが明らかになった.続いて,この有力エージェントが連合学習システムに参加するインセンティブを確保するため,通信学習(communication learning)というエージェント間の補正付き学習システムを開発し,データを提供しないという制約を満たしたままで有力エージェントが直面する汎化誤差を減少させた.これにより,金銭的補償を提供せずにエージェントの参加インセンティブを確保できるような連合学習システムを開発した. |
| (英) |
(Not available yet) |
| キーワード |
(和) |
D3-AI / 連合学習 / メカニズムデザイン / ミニマックス誤差 / / / / |
| (英) |
/ / / / / / / |
| 文献情報 |
信学技報, vol. 121, no. 419, IBISML2021-38, pp. 31-31, 2022年3月. |
| 資料番号 |
IBISML2021-38 |
| 発行日 |
2022-03-01 (IBISML) |
| 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 |
IBISML2021-38 |