Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Decentralized Federated Learning with Blockchain
Search
Yoshio Sugiyama
July 14, 2022
Technology
0
840
Decentralized Federated Learning with Blockchain
非中央集権な連合学習について
Yoshio Sugiyama
July 14, 2022
Tweet
Share
Other Decks in Technology
See All in Technology
Janus
bkuhlmann
0
480
2024-04-06 AMeDAS to Lagoon SORACOM UG 2024-04-06
anysonica
0
120
長期間TiDBを使ってきた話 @ 私たちはなぜNewSQLを使うのかTiDB選定5社が語る選定理由と活用LT / Experiences with TiDB Over Time
chibiegg
2
540
SIEMを用いて、セキュリティログ分析の可視化と分析を実現し、PDCAサイクルを回してみた
coconala_engineer
0
200
人間の尊厳、幸福、アクセシビリティ / 第116回「WEB TOUCH MEETING」アクセシビリティSP
nulabinc
PRO
2
180
最近たまに見かけるTiDBってなんだ? - Findy
pingcap0315
2
450
オーナーシップを持つ領域を明確にする
konifar
8
1.2k
20240416_devopsdaystokyo
kzkmaeda
1
170
自動生成を活用した、運用保守コストを抑える Error/Alert/Runbook の一元集約管理 / Centralized management of Error/Alert/Runbook to minimize operational costs using automated code generation
biwashi
9
2.1k
ユーザーストーリーのレビューを自動化したみたの
bun913
1
290
DevOpsDays History and my DevOps story
kawaguti
PRO
7
1.4k
コンパウンドスタートアップのためのスケーラブルでセキュアなInfrastructure as Codeパイプラインを考える / Scalable and Secure Infrastructure as Code Pipeline for a Compound Startup
yuyatakeyama
3
1.8k
Featured
See All Featured
Mobile First: as difficult as doing things right
swwweet
216
8.6k
Robots, Beer and Maslow
schacon
PRO
154
7.9k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
13
1.5k
VelocityConf: Rendering Performance Case Studies
addyosmani
319
23k
Practical Orchestrator
shlominoach
181
9.7k
Designing on Purpose - Digital PM Summit 2013
jponch
110
6.4k
Docker and Python
trallard
33
2.7k
Rebuilding a faster, lazier Slack
samanthasiow
72
8.2k
Creatively Recalculating Your Daily Design Routine
revolveconf
209
11k
GraphQLの誤解/rethinking-graphql
sonatard
49
9.2k
Documentation Writing (for coders)
carmenintech
59
3.9k
We Have a Design System, Now What?
morganepeng
42
6.7k
Transcript
杉山 禎夫 ディープラーニングで実現するイノベーション 非中央集権の連合学習
自己紹介
本日のお話 非中央集権の連合学習とは 連合学習の懸念とは 連合学習とは
自社だけだと足りないので、 他社と一緒にできないだろうか。 プライバシー保護の観点から 容易に移動できません。 地理的に離れた場所にあります。 もし、学習に使いたいデータが、、
各拠点で学習した結果を 集めてモデルを更新 • よさそう • 連合学習 といいます データを集めて学習 • 一箇所に集めるの大変
• プライバシー保護に懸念 各拠点で個別に学習 • データを活かせていない • 精度に課題 こんなアプローチがありそうです
リーダーがモデルを 用意 モデルをエッジに配 布 エッジで学習 学習結果をリーダー に集約 リーダーが学習結果 をマージ マージした学習結果
でモデルを更新 を繰り返します。 連合学習とは 学習結果をリー ダーに返却 リーダーのモデル をエッジに配布 エッジで学習 エッジで学習 エッジで学習 学習結果を マージして、 モデルを更新
• 学習結果から学習 データを推測 • 恣意的なモデルの マージ • 最終的なモデルは リーダーが所持 •
リーダーが 単一障害点 連合学習の懸念 中央集権的なリーダーの存在 学習結果をリー ダーに返却 リーダーのモデル をエッジに配布 エッジで学習 エッジで学習 エッジで学習 学習結果を マージして、 モデルを更新
連合学習の懸念
エッジで学習 非中央集権の連合学習に必要なもの エッジで学習 エッジで学習 エッジで学習 考えられる要件 • エッジ間を で接続 •
学習に参加しているエッジの把握 • マージ担当者の動的な選択 • 学習状況の記録、共有 • 最終的なモデルはエッジに の特徴 • データは各システムで保持 • リーダー不在 • 改ざんが非常に困難 • 記録は消せない
ディープラーニングに使用したいデータが、地理的に離れた場所にある、プライバシー保 護の観点からデータの共有が困難であるときなどに、連合学習というアプローチがありま す。 一般的な連合学習は、プライバシーの保護などに懸念があります。 連合学習を非中央集権 とすることで、連合学習の懸念が解消できます。 非中央集権の連合学習の実現には学習状況の共有方法などクリアすべき課題があります。 非中央集権の連合学習の課題の解決には、 が有効と考えられています。 まとめ
コミュニティ版 無料 と エンタープライズ版 があります 含むすべてのコンポー ネントはコンテナで動きます や のコードに 入れるだけで使えます
宣伝 エッジで学習 を使った 非中央集権 の連合学習のソリューションです。
None