[9A]連合学習

16:20 〜 16:40

[9A-02] 信頼度を加味した連合学習におけるモデルパラメータ評価手法の一提案

*中村 元紀¹、福岡 尊¹、竹内 琢磨¹ (1. 富士通株式会社)

発表者区分：一般
論文種別：ショートペーパー
インタラクティブ発表：あり

キーワード：

連合学習、機械学習、プライバシー、トラスト

近年，複数のクライアントがデータを開示せずに，データで学習したパラメータを集約することで，グローバルモデルを共同で構築する連合学習が注目されている．一方で，信頼のできないクライアントがグローバルモデルに不正確なパラメータを送信することによる，グローバルモデルの精度や信頼性の低下が懸念されている．これを防ぐ手法として，パラメータを集約する中央サーバでパラメータのパフォーマンスを評価する手法が提案されているが，評価のための準検証用データが学習のラウンドごとに必要になる．そこで我々は，パラメータの信頼度が与えられたと仮定した上で，信頼度が高いパラメータを基準として個々のパラメータを評価する手法を提案する．この提案手法により，信頼度が高いパラメータが得られている理想的状況で，準検証用データが無い状況でのパラメータ評価が実現される． また理想的でない状況下においても，準検証用データのラウンド毎の更新の手間が削減しうることを考察する．