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 2022-11-24 09:55
サーバ上のデータを利用した高精度なプライバシ強化型連合機械学習
柿崎優太東京理科大)・佐藤光哉電通大)・岩村惠市東京理科大NS2022-100
抄録 (和) 各デバイスが学習データを開示せずに協調して学習する連合機械学習では,ローカルモデルに対して差分プライバシに従うノイズを加えることでプライバシを強化できる.しかし,ノイズを付加することで学習精度が低下するという問題がある.本稿では,クライアントごとに要求するプライバシレベルが異なる環境を対象とした,高精度なプライバシ強化型連合機械学習方式の設計を行う.具体的に,サーバ上にある評価用データを用いて各ローカルモデルの学習精度を計算し,その学習精度に基づいてグローバルモデルを更新する手法を提案する.シミュレーション結果より,畳み込みニューラルネットワークを用いた画像分類タスクにおいて学習精度を約30ポイント改善可能であることを示す. 
(英) Federated learning is a cooperative machine learning approach that prohibits disclosing training data from distributed devices.
Its privacy can be further enhanced by adding noise to the local model based on differential privacy; however, adding noise tends to decrease the training accuracy.
In this paper, we focus on highly accurate privacy-enhanced federated learning schemes for situations in which each client requires a different privacy level.
Specifically, we propose an adaptive model aggregation method using evaluation data on the server.
According to the simulation results, the training accuracy can be improved by about 30 points in an image classification task using a convolutional neural network.
キーワード (和) 連合機械学習 / 差分プライバシ / 機械学習 / / / / /  
(英) Federated Learning / Differential Privacy / Machine Learning / / / / /  
文献情報 信学技報, vol. 122, no. 274, NS2022-100, pp. 1-6, 2022年11月.
資料番号 NS2022-100 
発行日 2022-11-17 (NS) 
ISSN Print edition: ISSN 0913-5685  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 NS2022-100

研究会情報
研究会 NS ICM CQ NV  
開催期間 2022-11-24 - 2022-11-25 
開催地(和) 福岡大学文系センター棟 + オンライン開催 
開催地(英) Humanities and Social Sciences Center, Fukuoka Univ. + Online 
テーマ(和) ネットワーク品質,ネットワーク計測・管理,ネットワーク仮想化,ネットワークサービス,ブロックチェーン,セキュリティ,ネットワークインテリジェンス・AI,一般 
テーマ(英) Network quality, Network measurement/management, Network virtualization, Network service, Blockchain, Security, Network intelligence/AI, etc. 
講演論文情報の詳細
申込み研究会 NS 
会議コード 2022-11-NS-ICM-CQ-NV 
本文の言語 日本語 
タイトル(和) サーバ上のデータを利用した高精度なプライバシ強化型連合機械学習 
サブタイトル(和)  
タイトル(英) Highly Accurate Privacy-Enhanced Federated Learning Using Data On The Server 
サブタイトル(英)  
キーワード(1)(和/英) 連合機械学習 / 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) 機械学習 / Machine Learning  
キーワード(4)(和/英) /  
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: TUS)
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) 電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC)
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: TUS)
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 2022-11-24 09:55:00 
発表時間 25分 
申込先研究会 NS 
資料番号 NS2022-100 
巻番号(vol) vol.122 
号番号(no) no.274 
ページ範囲 pp.1-6 
ページ数
発行日 2022-11-17 (NS) 


[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