| 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 | 2024-09-12 14:25 非独立同一分布データにおける連合学習の性能公平性改善に関する研究 ○境田晃大・大石慶一朗・田原康之・大須賀昭彦・清 雄一（電通大）  AI2024-2 |
|
| 抄録 | （和） | 近年，分散型の機械学習手法の1つである連合学習（Federated Learning，FL）が注目を集めている．FLは，複数のデバイスがデータを共有することなく共同でモデルを訓練する手法である．しかし，デバイス間のデータが非独立同一分布(Non-IID)である場合，性能公平性などのパフォーマンス低下の問題が生じることが知られている．Non-IIDデータに基づいて学習されたモデルは，デバイスによって異なる精度を示すことがある．これにより，一部のデバイスに対しては非常に高い精度を示す一方，他のデバイスに対しては低い精度を示す場合があり，公平なモデルとは言えない．これらの課題に対して本研究では，Non-IID状況下において，クラスタリングと強化学習を適用した新しいアプローチを提案する．各デバイスに対しクラスタリングを行い，強化学習エージェントが各ラウンドで最適なクラスタを選択することによって，既存手法と比較して精度の分散を低減し，性能公平性を改善することが可能になった． |
| （英） | In recent years, federated learning, a decentralized machine learning approach, has garnered significant attention. Federated learning enables multiple devices to collaboratively train a model without sharing their data. However, when the data across devices is non-independent and identically distributed (Non-IID), it can lead to issues of performance fairness. Models trained on Non-IID data often exhibit varying levels of accuracy across different devices． As a result， some devices may achieve very high accuracy, while others experience lower accuracy, leading to an unfair model. To address these challenges, this study proposes a novel approach that applies clustering and reinforcement learning in Non-IID scenarios. By clustering the devices and having a reinforcement learning agent select the optimal cluster at each round, our approach reduces the variance in accuracy and improves performance fairness compared to existing methods. | |
| キーワード | （和） | 連合学習 / 強化学習 / 非独立同一分布 / 性能公平性 / / / / |
| （英） | Federated Learning / Reinforcement Learning / Non-IID / Accuracy-Fairness / / / / | |
| 文献情報 | 信学技報, vol. 124, no. 186, AI2024-2, pp. 6-11, 2024年9月. | |
| 資料番号 | AI2024-2 | |
| 発行日 | 2024-09-05 (AI) | |
| 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 | AI2024-2 |
|
| 研究会情報 | |
| 研究会 | AI |
| 開催期間 | 2024-09-12 - 2024-09-12 |
| 開催地（和） | 福井市地域交流プラザ 研修室607 |
| 開催地（英） | |
| テーマ（和） | SMASH24 Summer Symposium |
| テーマ（英） | SMASH24 Summer Symposium |
| 講演論文情報の詳細 | |
| 申込み研究会 | AI |
| 会議コード | 2024-09-AI |
| 本文の言語 | 日本語 |
| タイトル（和） | 非独立同一分布データにおける連合学習の性能公平性改善に関する研究 |
| サブタイトル（和） | |
| タイトル（英） | Improving Accuracy-Fairness in Federated Learning with Non-IID Data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 連合学習 / Federated Learning |
| キーワード(2)（和/英） | 強化学習 / Reinforcement Learning |
| キーワード(3)（和/英） | 非独立同一分布 / Non-IID |
| キーワード(4)（和/英） | 性能公平性 / Accuracy-Fairness |
| 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） | 境田 晃大 / Koudai Sakaida / サカイダ コウダイ |
| 第1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2著者 氏名（和/英/ヨミ） | 大石 慶一朗 / Keiichiro Oishi / オオイシ ケイイチロウ |
| 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） | 田原 康之 / Yasuyuki Tahara / タハラ ヤスユキ |
| 第3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4著者 氏名（和/英/ヨミ） | 大須賀 昭彦 / Akihiko Ohsuga / オオスガ アキヒコ |
| 第4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5著者 氏名（和/英/ヨミ） | 清 雄一 / Yuichi Sei / セイ ユウイチ |
| 第5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) |
| 講演者 | 第1著者 |
| 発表日時 | 2024-09-12 14:25:00 |
| 発表時間 | 20分 |
| 申込先研究会 | AI |
| 資料番号 | AI2024-2 |
| 巻番号（vol） | vol.124 |
| 号番号（no） | no.186 |
| ページ範囲 | pp.6-11 |
| ページ数 | 6 |
| 発行日 | 2024-09-05 (AI) |
[研究会発表申込システムのトップページに戻る]