「連合学習」に関する研究記事 18 件を、新しい順に掲載しています。
悪意ある参加者が動的に攻撃戦略を変える状況でも、信頼できる少数の参照クライアントを手がかりに「悪意ある勾配」を識別し、できる限り多くの「善意の勾配」を集約に残す新しい連合学習の集約手法 EnCAgg を提案した研究です。
プライバシー規制に応えるため、学習済みモデルから特定データの影響だけを取り除く「機械学習の忘却」を、連合学習の文脈で扱った研究です。
連合学習は端末からデータを出さずに学習できる一方、「全体最適なモデル」と「各端末に特化したモデル」を両立しにくいという根本的な課題を抱えています。
IoT 機器の侵入検知（IDS）は通常データをサーバへ集めますが、それ自体がプライバシーリスクとなります。
多数の端末に分散したデータを集めずに学習する「連合学習」で、プライバシーを守りながらどこまで精度を高められるかという理論的な限界が示されました。
複数の端末でAIモデルを共同学習する「連合学習」において、悪意ある参加者の妨害とプライバシー漏洩の両方に同時に対処する新しいアルゴリズムを提案しました。
連合学習で個人情報を守るためのノイズ量を、各端末のプライバシー設定に応じて自動で最適化する手法（PAC-DP）が提案されました。
複数の端末が生データを共有せずにAIモデルを共同で改善する「連合学習」を、待ち時間の少ない非同期方式で安全に運用するための新手法 SecureAFL が提案されました。
複数の端末が協力してAIモデルを学習する「連合学習」で、特定の端末だけが損をしない公平な学習手法EAGLEを提案しました。
複数種類のデータを組み合わせるAIモデルの性能向上は、データ間の「相乗効果」ではなく「足し算的な補完」によるものであることが示されました。
数百万〜数億パラメータ規模のデータでも、サーバ間の通信量をデータ次元に依存させずにプライバシーを守りながら集約できる新手法TAPASを提案しました。
多くのスマホでAIを学習させる「連合学習」では、端末ごとの性能差が処理速度のボトルネックになるという課題がありました。
個人のデータをサーバーに集めずにAIを学習させる「連合学習」で、プライバシー保護をより強固にする新しい分析手法が提案されました。
スマホなど個々の端末が持つ多様なデータを、プライバシーを守りながらAIの学習に活かす「連合学習」という技術の課題を扱っています。
各端末のデータを集めずにAIを賢くする連合学習は、端末ごとのデータ内容の偏り（不均質性）が課題でした。
連合学習では学習済みAIモデルが参加者に配布されるため、悪意ある参加者によるモデル漏洩のリスクがあります。
多くのユーザー（家族）それぞれに合わせたAIモデルを作るのは、サーバーの負担が非常に大きいという課題がありました。
プライバシーを守りつつAIを学習させる「連合学習」では、各端末のデータがバラバラなため学習が不安定になりやすい課題があります。
ブックマークするには Google アカウントでログインしてください。端末をまたいで同期されます。
