| 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 | 2024-03-04 11:10 モデルの特徴表現を活用するクラスタリング連合学習手法の提案 ○金子竜也・高前田伸也（東大）  IBISML2023-49 |
|
| 抄録 | （和） | 機械学習が興隆期にある昨今において，学習に用いるデータのプライバシーについて関心が寄せられている．そのため，各デバイス上で学習したモデルを集約することでデータを秘匿したままに知識の共有を可能とする手法である連合学習の機運が高まっている．連合学習の抱える課題の一つとして，クライアントデバイスの持つデータの異種性が挙げられる．このような状況下ではモデル共有により却って性能が低下する可能性が生じる．これを解決する一つの手法として，各クライアントを適切なクラスタへと割り当てるクラスタリング連合学習が存在する．ただし，従来のクラスタリング連合学習ではクラスタ割り当ての演算負荷をリソース制約の大きいクライアントが負担するという点に課題があった．本研究では，フラクタルデータセットとFr'{e}chet Inception Distanceを用いることで，サーバ上に集約したモデルの特徴表現からクラスタリングを行う手法を提案する．提案手法はクラスタリングに際して生じるクライアントのオーバヘッドを$1/k$に抑制しながら ($k$はクラスタ数)，従来手法と同等の性能を発揮することを示す． |
| （英） | In the current era of rapidly expanding machine learning, there has been growing concerns and awareness of data privacy used in learning processes. Federated Learning (FL) is one of the distributed learning methods that is attracting significant attention. It enables knowledge sharing while maintaining data confidentiality by aggregating models trained on various devices.One of the challenges faced by FL is the heterogeneity of data across client devices, which can potentially degrade performance when models are shared. To address this issue, clustering FL (CFL), which assigns each client to an appropriate cluster, has been proposed. However, conventional CFL methods have limitations in their assignment approaches. Despite resource constraints, clustering computations are being performed on the client.We propose a novel client-aware CFL method, which is based on the feature representation of aggregated models using fractal datasets and Fr'{e}chet Inception Distance. In the experiments, we show that our proposed method can achieve performance equivalent to conventional methods, while reducing the clustering overhead for clients to $1/k$ (where $k$ is the number of clusters). | |
| キーワード | （和） | 機械学習 / 連合学習 / パーソナライズド連合学習 / クラスタリング連合学習 / エッジAI / / / |
| （英） | Machine Learning / Federated Learning (FL) / Personalized FL / Clustering FL / Edge-AI / / / | |
| 文献情報 | 信学技報, vol. 123, no. 410, IBISML2023-49, pp. 65-70, 2024年3月. | |
| 資料番号 | IBISML2023-49 | |
| 発行日 | 2024-02-25 (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 | IBISML2023-49 |
|
| 研究会情報 | |
| 研究会 | PRMU IBISML IPSJ-CVIM |
| 開催期間 | 2024-03-03 - 2024-03-04 |
| 開催地（和） | 広島大学 東広島キャンパス |
| 開催地（英） | Hiroshima Univ. Higashi-Hiroshima campus |
| テーマ（和） | 雑多なデータセットの有効活用 (PRMU/IPSJ-CVIM)、機械学習の理論と応用の広がり (IBISML) |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2024-03-PRMU-IBISML-CVIM |
| 本文の言語 | 日本語 |
| タイトル（和） | モデルの特徴表現を活用するクラスタリング連合学習手法の提案 |
| サブタイトル（和） | |
| タイトル（英） | Towards Client-aware Clustering Federated Learning based on Representations of Local Models |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 機械学習 / Machine Learning |
| キーワード(2)（和/英） | 連合学習 / Federated Learning (FL) |
| キーワード(3)（和/英） | パーソナライズド連合学習 / Personalized FL |
| キーワード(4)（和/英） | クラスタリング連合学習 / Clustering FL |
| キーワード(5)（和/英） | エッジAI / Edge-AI |
| 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） | 金子 竜也 / Tatsuya Kaneko / カネコ タツヤ |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： Tokyo Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 高前田 伸也 / Shinya Takamaeda-Yamazaki / タカマエダ シンヤ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： Tokyo Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2024-03-04 11:10:00 |
| 発表時間 | 15分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2023-49 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | no.410 |
| ページ範囲 | pp.65-70 |
| ページ数 | 6 |
| 発行日 | 2024-02-25 (IBISML) |
[研究会発表申込システムのトップページに戻る]