| 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 | 2021-09-10 12:40 ［特別招待講演］通信効率の良いFederated Learningに向けて ○西尾理志（東工大）  CQ2021-56 |
|
| 抄録 | （和） | Federated Learning (FL) は連合機械学習とも呼ばれる、分散的に保持されたデータを用いてモデルを訓練する機械学習手法である。FL の特徴は、分散するデータを集約したり共有したりすることなく活用できることであり、プライバシ情報や機密情報を含むデータについても少ない情報漏洩リスクで活用可能となる。一方で、モデル訓練の際にモデルのデータサイズに比例した通信トラヒックが繰り返し発生するため、通信帯域を逼迫させる。本稿では、FL について代表的アルゴリズムであるFedAvg の原理を解説し、通信トラヒックの課題とその解決に向けた研究動向について紹介する。 |
| （英） | Federated Learning (FL) is a machine learning framework that trains models using distributed data. Since FL can utilize the data stored by distributed nodes without aggregating or sharing the data, data containing private or confidential information can be used with less risk of information leakage. On the other hand, the communication traffic proportional to the data size of the model is generated repeatedly during model training, which strains the communication bandwidth. This paper explains FL based on FedAvg, which is a typical algorithm and introduces the issues of communication traffic and the research trend to solve them. | |
| キーワード | （和） | Federated Learning / 連合機械学習 / 分散機械学習 / 深層学習 / 無線ネットワーク / / / |
| （英） | Federated Learning / Distributed Machine Learning / Deep Learning / Wireless Networks / Communication Efficiency / / / | |
| 文献情報 | 信学技報, vol. 121, no. 173, CQ2021-56, pp. 94-96, 2021年9月. | |
| 資料番号 | CQ2021-56 | |
| 発行日 | 2021-09-02 (CQ) | |
| 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 | CQ2021-56 |
|
| 研究会情報 | |
| 研究会 | CQ MIKA |
| 開催期間 | 2021-09-09 - 2021-09-10 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 無線通信品質、6G、IoT、無線伝送、リソース制御、クロスレイヤー技術、一般 |
| テーマ（英） | Wireless Communications Quality, 6G, IoT, Resource Management, Wireless Transmission, Cross layer Technologies, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | CQ |
| 会議コード | 2021-09-CQ-MIKA |
| 本文の言語 | 日本語 |
| タイトル（和） | 通信効率の良いFederated Learningに向けて |
| サブタイトル（和） | |
| タイトル（英） | Toward Communication Efficient Federated Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Federated Learning / Federated Learning |
| キーワード(2)（和/英） | 連合機械学習 / Distributed Machine Learning |
| キーワード(3)（和/英） | 分散機械学習 / Deep Learning |
| キーワード(4)（和/英） | 深層学習 / Wireless Networks |
| キーワード(5)（和/英） | 無線ネットワーク / Communication Efficiency |
| 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） | 西尾 理志 / Takayuki Nishio / ニシオ タカユキ |
| 第1著者 所属（和/英） | 東京工業大学 (略称： 東工大) Tokyo Institute of Technology (略称： TokyoTech) |
| 第2著者 氏名（和/英/ヨミ） | / / |
| 第2著者 所属（和/英） | (略称： ) (略称： ) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 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： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-09-10 12:40:00 |
| 発表時間 | 45分 |
| 申込先研究会 | CQ |
| 資料番号 | CQ2021-56 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.173 |
| ページ範囲 | pp.94-96 |
| ページ数 | 3 |
| 発行日 | 2021-09-02 (CQ) |
[研究会発表申込システムのトップページに戻る]