[4Yin-B] Poster 7

[4Yin-B-36] Risk Assessment and Detection of Performance Degradation Induced by Noisy Clients in Federated Semi-Supervised Learning

〇Kodai Fukuda¹, Hiroaki Inoue¹, Lihua Wang², Seiichi Ozawa¹ (1. Kobe University, 2. National Institute of Information and Communications Technology)

Keywords:

Federated Semi-Supervised Learning,Performance Degradation,Noisy Client,Pseudo-Labeling,Degradation Detection

連合学習は、各クライアントが保有する機密データを共有せずにAIモデルを協調学習させるスキームである。従来、その性能劣化はデータの非IID性や悪意ある攻撃を主眼に議論されてきた。しかし実用上は、データ品質の不均一性、特にノイズを多く含むクライアントの存在が大きな劣化要因となる。本研究では、疑似ラベルを用いる半教師あり連合学習において、ノイズクライアントに起因するラベル誤りの波及が全体の性能を損なうことを実証する。生体信号を用いたストレス推定タスクにおいて、データが逐次追加される状況を想定し、劣化の発生条件と影響度をリスクとして定量化した。さらに、これら負の影響を検知する手法を検討し、その有効性と限界を論じる。