講演抄録/キーワード |
講演名 |
2022-11-18 14:05
自己教師あり学習の特徴量交換によるDecentralized Federated Learning ○櫻井晴基・落合秀也・江崎 浩(東大) CAS2022-54 MSS2022-37 |
抄録 |
(和) |
Contrastive Learningとは,自己教師あり学習のひとつで,ラベルがない大規模なデータセットを利用して汎用的な特徴量抽出器を学習する手法であり,
事前学習手法の一つとして2020年頃から研究が盛んに行われている.一方で,人々のプライバシーが意識するようになってきた中で,
事前学習モデルのためのデータセットを収集するのはどんどん難しくなることが予想される.そこで,Federated Learningと組み合わせることで,
データのプライバシーを保護したまま,それらのデータを学習に利用するという研究が行われている.
今回の研究では,従来のFederated Learningと異なり,中央サーバがなくても学習を進めることができる
Decentralized Federated Learningと組み合わせた場合に,
どのような手法によりデータを共有しないまま事前学習を行うことができるかを考察する. |
(英) |
Contrastive Learning is a form of self-supervised learning, a method for learning a general-purpose encoder using a large unlabeled dataset.
As one of the pre-training methods, it has been actively studied since around 2020.
On the other hand, it is expected to become more and more difficult to collect datasets for pre-training models as people become more privacy-conscious.
Decentralized Federated Learning is one of the solution for this problem,
which can learn models without sharing private data and using cetral server.
In this study, we propose how Contrastive Learning can learn over Decentralized Federated Learning. |
キーワード |
(和) |
協調学 / 分散システム / 自己教師あり学習 / 対照学習 / 特徴量学習 / / / |
(英) |
Federated Learning / Distributed Learning / Self-supervised Learning / Contrastive Learning / / / / |
文献情報 |
信学技報, vol. 122, no. 254, MSS2022-37, pp. 79-82, 2022年11月. |
資料番号 |
MSS2022-37 |
発行日 |
2022-11-10 (CAS, MSS) |
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 |
CAS2022-54 MSS2022-37 |
研究会情報 |
研究会 |
CAS MSS IPSJ-AL |
開催期間 |
2022-11-17 - 2022-11-18 |
開催地(和) |
Kochi Startup BASE |
開催地(英) |
|
テーマ(和) |
システムのモデリングと制御・検証・最適化の手法,機械学習的アプローチ及び一般 |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
MSS |
会議コード |
2022-11-CAS-MSS-AL |
本文の言語 |
日本語 |
タイトル(和) |
自己教師あり学習の特徴量交換によるDecentralized Federated Learning |
サブタイトル(和) |
|
タイトル(英) |
Unsupervised Representation Learning over Decentralized Federated Learning |
サブタイトル(英) |
|
キーワード(1)(和/英) |
協調学 / Federated Learning |
キーワード(2)(和/英) |
分散システム / Distributed Learning |
キーワード(3)(和/英) |
自己教師あり学習 / Self-supervised Learning |
キーワード(4)(和/英) |
対照学習 / Contrastive Learning |
キーワード(5)(和/英) |
特徴量学習 / |
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) |
櫻井 晴基 / Haruki Sakurai / サクライ ハルキ |
第1著者 所属(和/英) |
東京大学 (略称: 東大)
The University of Tokyo (略称: Univ. Tokyo) |
第2著者 氏名(和/英/ヨミ) |
落合 秀也 / Hideya Ochiai / オチアイ ヒデヤ |
第2著者 所属(和/英) |
東京大学 (略称: 東大)
The University of Tokyo (略称: Univ. Tokyo) |
第3著者 氏名(和/英/ヨミ) |
江崎 浩 / Hiroshi Esaki / エサキ ヒロシ |
第3著者 所属(和/英) |
東京大学 (略称: 東大)
The University of Tokyo (略称: Univ. Tokyo) |
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 |
2022-11-18 14:05:00 |
発表時間 |
20分 |
申込先研究会 |
MSS |
資料番号 |
CAS2022-54, MSS2022-37 |
巻番号(vol) |
vol.122 |
号番号(no) |
no.253(CAS), no.254(MSS) |
ページ範囲 |
pp.79-82 |
ページ数 |
4 |
発行日 |
2022-11-10 (CAS, MSS) |