| 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 | 2025-06-23 11:10 特徴表現に基づくデータ分布間距離推定手法によるサーバ主導クラスタリング連合学習 ○金子竜也（科学大）・穴田穂乃香（東大）・高前田伸也（東大/理研）  NC2025-21 IBISML2025-21 |
|
| 抄録 | （和） | 機械学習の大衆化とともに学習データを取り巻くプライバシーへの懸念は，ますます顕著になってきている．このようなプライバシーの懸念に対処するために近年は連合学習 (FL)が注目されている．FLはローカルに保存されているデータそのものではなく，そのデータで学習された機械学習モデルを集約することで，協調的な学習を行う枠組みである．特に多様なデバイスの参加が想定されるクロスデバイス環境では，クライアントごとにデータ分布が異なることが多く，単一のグローバルモデルを用いると特定のクライアントに対してパフォーマンスが低下する可能性がある．このデータの異質性への対処はFLの重要な研究課題の一つである．この問題を解決する手法として，各クライアントをデータ分布に応じて適切なクラスタに割り当てるクラスタリングFLが存在する．しかし，従来のクラスタリングFLでは，リソース制約をもつクライアントデバイスがクラスタリングを行うため，通信や演算コストのオーバヘッドが生じるという大きな課題がある．そこで我々は，新たなサーバ主導型のクラスタリングFL手法を提案する．本手法はサーバに集約したモデルから特徴を抽出し類似度を計算する．得られた類似度行列に対して標準的なクラスタリング手法を適用することで，クライアントへの追加負荷を回避する．画像分類タスクにおける実験により，提案手法は従来手法と同等の性能を達成しながらもクラスタリングに関するクライアントのオーバーヘッドを完全に排除できることを示す． |
| （英） | Federated Learning (FL) has recently attracted attention as a promising solution to privacy concerns. FL is a collaborative learning framework that aggregates machine learning models trained locally on client data—without sharing the data itself. In FL, cross-device environments are commonly assumed, where data distributions vary significantly across clients. This heterogeneity can lead to performance degradation for specific clients when using a single global model, making it a key research challenge. Clustering Federated Learning (CFL) addresses this issue by grouping clients based on data similarity. However, existing CFL methods typically require clients to perform the clustering process themselves, resulting in considerable computational and communication overhead, especially under resource-constrained conditions. In this paper, we propose a novel server-driven CFL algorithm that estimates inter-client data similarity while preserving data privacy. Our method computes similarity between clients by extracting feature representations from client-updated models aggregated at the server. It then constructs a similarity matrix and applies standard clustering algorithms to group clients—without imposing additional burdens on the client side. Empirical evaluations on image classification tasks demonstrate that our method achieves performance comparable to previous CFL method, while eliminating the client-side overhead associated with clustering. |
|
| キーワード | （和） | 機械学習 / 連合学習 / クラスタリング連合学習 / パーソナライズド連合学習 / エッジAI / / / |
| （英） | Machine Learning / Federated Learning / Clustering FL / Personalized FL / Edge-AI / / / | |
| 文献情報 | 信学技報, vol. 125, no. 82, IBISML2025-21, pp. 125-132, 2025年6月. | |
| 資料番号 | IBISML2025-21 | |
| 発行日 | 2025-06-14 (NC, 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 | NC2025-21 IBISML2025-21 |
|
| 研究会情報 | |
| 研究会 | NC IBISML IPSJ-BIO IPSJ-MPS |
| 開催期間 | 2025-06-21 - 2025-06-23 |
| 開催地（和） | 琉球大学 |
| 開催地（英） | Univ. Ryukyus |
| テーマ（和） | 機械学習、一般 |
| 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 | 2025-06-NC-IBISML-BIO-MPS |
| 本文の言語 | 日本語 |
| タイトル（和） | 特徴表現に基づくデータ分布間距離推定手法によるサーバ主導クラスタリング連合学習 |
| サブタイトル（和） | |
| タイトル（英） | Server-Driven Clustering Federated Learning by Inferring Client Discrepancy |
| 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 |
| キーワード(3)（和/英） | クラスタリング連合学習 / Clustering FL |
| キーワード(4)（和/英） | パーソナライズド連合学習 / Personalized 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） | 東京科学大学 (略称： 科学大) Institute of Science Tokyo (略称： Science Tokyo) |
| 第2著者 氏名（和/英/ヨミ） | 穴田 穂乃香 / Honoka Anada / アナダ ホノカ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第3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3著者 所属（和/英） | 東京大学 (略称： 東大/理研) The University of Tokyo (略称： UTokyo/RIKEN) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-06-23 11:10:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IBISML |
| 資料番号 | NC2025-21, IBISML2025-21 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.81(NC), no.82(IBISML) |
| ページ範囲 | pp.125-132 |
| ページ数 | 8 |
| 発行日 | 2025-06-14 (NC, IBISML) |
[研究会発表申込システムのトップページに戻る]