| 講演名 | 2020-01-31 ［ポスター講演］実ネットワークにおけるFederated Learningの実験評価 吉田 直矢(京大), 西尾 理志(京大), 守倉 正博(京大), 山本 高至(京大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | FL (Federated Learning) は，モバイル端末が持つデータを端末に保持したまま利用する分散学習方式の1つである．FLでは，各端末が自身のデータでモデルを更新し，サーバがそれらのモデルを1つに集約する．したがって，無線ネットワーク内の端末間に通信・計算資源の差があるとき，資源の乏しい端末が学習のボトルネックとなる．この問題を解決するFLの拡張方式として，通信帯域と計算能力に応じて端末を選択するFedCS (FL with Client Selection) 方式が提案されている．このようにFLやその拡張方式が提案されている一方，ネットワークや端末性能はシミュレーションであり、実験では評価されていない．ゆえに本研究では実機実装によりFLを実験評価する．モバイル端末としてLinuxボードを用い，無線LANを介してサーバと接続しFLを行う．FLは，端末を選択しない方式とFedCS方式の2つの方式を取り，画像のクラス分類問題を解く．実験結果から，実機を用いたFLによりシミュレーションと同様に学習可能であることを実証した． |
| 抄録(英) | Federated Learning (FL) is a decentralized learning mechanism, which enables to train machine learning (ML) models using data of mobile devices while keeping all the data on the devices. In FL, a cloud server updates a model by aggregating multiple models updated by the mobile devices. Therefore, the overall training process can become inefficient when some devices are with poor computational resources or wireless channel conditions. In order to mitigate this problem, FL with Client Selection (FedCS) protocol, an extension of FL, has been proposed which solves a client selection problem with resource constraints. While FL and extensions of it have proposed as described above, the bandwidths and computation capability of each client are evaluated by only simulation. Thus, we implement the FL on real devices and evaluate it experimentally. We implement a server and Linux-based single board computers with wireless LAN connection. We performed non-selection FL protocol and FedCS protocol in the environment and solved a image classification problem. The experimental results show that the FL using real devices can learn the model as well as the simulation. |
| キーワード(和) | Federated Learning / 実験評価 / モバイルネットワーク / スケジューリング / 機械学習 |
| キーワード(英) | Federated Learning / Experimental Evaluation / Mobile Networks / Scheduling / Machine Learning |
| 資料番号 | SeMI2019-110 |
| 発行日 | 2020-01-23 (SeMI) |
| 研究会情報 | |
| 研究会 | SeMI |
|---|---|
| 開催期間 | 2020/1/30(から2日開催) |
| 開催地（和） | ことひら温泉琴参閣 |
| 開催地（英） | |
| テーマ（和） | センシング，モビリティ，モバイル・ユビキタスコンピューティング，センサ・アドホック・モバイルネットワーク，アプリケーション，一般 |
| テーマ（英） | |
| 委員長氏名（和） | 石原 進(静岡大) |
| 委員長氏名（英） | Susumu Ishihara(Shizuoka Univ.) |
| 副委員長氏名（和） | 門田 和也(日立) / 山本 高至(京大) |
| 副委員長氏名（英） | Kazuya Monden(Hitachi) / Koji Yamamoto(Kyoto Univ.) |
| 幹事氏名（和） | 西尾 理志(京大) / 齊藤 隆仁(NTTドコモ) / 五十嵐 悠一(日立) |
| 幹事氏名（英） | Takayuki Nishio(Kyoto Univ.) / Takato Saitou(NTT DOCOMO) / Yuichi Igarashi(Hitachi) |
| 幹事補佐氏名（和） | 内山 彰(阪大) / 金井 謙治(早大) / 橋本 匡史(阪大) |
| 幹事補佐氏名（英） | Akira Uchiyama(Osaka Univ.) / Kenji Kanai(Waseda Univ.) / Masafumi Hashimoto(Osaka Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Sensor Network and Mobile Intelligence |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［ポスター講演］実ネットワークにおけるFederated Learningの実験評価 |
| サブタイトル（和） | |
| タイトル（英） | [Poster Presentation] Experimental Evaluation of Federated Learning in Real Networks |
| サブタイトル（和） | |
| キーワード(1)（和/英） | Federated Learning / Federated Learning |
| キーワード(2)（和/英） | 実験評価 / Experimental Evaluation |
| キーワード(3)（和/英） | モバイルネットワーク / Mobile Networks |
| キーワード(4)（和/英） | スケジューリング / Scheduling |
| キーワード(5)（和/英） | 機械学習 / Machine Learning |
| 第 1 著者 氏名（和/英） | 吉田 直矢 / Naoya Yoshida |
| 第 1 著者 所属（和/英） | 京都大学(略称：京大) Kyoto University(略称：Kyoto Univ.) |
| 第 2 著者 氏名（和/英） | 西尾 理志 / Takayuki Nishio |
| 第 2 著者 所属（和/英） | 京都大学(略称：京大) Kyoto University(略称：Kyoto Univ.) |
| 第 3 著者 氏名（和/英） | 守倉 正博 / Masahiro Morikura |
| 第 3 著者 所属（和/英） | 京都大学(略称：京大) Kyoto University(略称：Kyoto Univ.) |
| 第 4 著者 氏名（和/英） | 山本 高至 / Koji Yamamoto |
| 第 4 著者 所属（和/英） | 京都大学(略称：京大) Kyoto University(略称：Kyoto Univ.) |
| 発表年月日 | 2020-01-31 |
| 資料番号 | SeMI2019-110 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | SeMI-406 |
| ページ範囲 | pp.49-50(SeMI), |
| ページ数 | 2 |
| 発行日 | 2020-01-23 (SeMI) |