| 研究課題/領域番号 |
23K13334
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分21020:通信工学関連
|
|---|
| 研究機関 | 名古屋工業大学 |
|---|
研究代表者 |
中井 彩乃 名古屋工業大学, 工学(系)研究科(研究院), 助教 (10951593)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2025年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2024年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2023年度: 2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
|
|---|
| キーワード | 連合学習 / モデル支援型ネットワーク / 深層展開 / 超勾配 |
|---|
| 研究開始時の研究の概要 |
多数のモバイル端末のパーソナルデータ学習とプライバシー保護を両立する連合学習の学習性能は，端末の3種の不均質要因（データ，計算能力，通信環境）に依存して大きく変化する．端末ごとの学習寄与率の適切な設定が性能向上に不可欠であるが，未だに設定法は深く解明されていない．本研究では，連合学習過程を模倣する深層ネットワークを構築し，深層学習技術に基づいた最適学習寄与率の解明に挑む．また，学習過程を詳細に解析することにより，学習寄与率設定法を逆算的に導出するという新たなアプローチを提唱する．さらに，スケーラビリティ拡張に取り組み，あらゆる環境下における端末不均質性への適応と連合学習性能向上の実現を目指す．
|
| 研究実績の概要 |
本研究は，多数のモバイル端末のパーソナルデータをプライバシーを保護しながら通信を介して学習できる分散機械学習法である連合学習を扱う．学習性能向上の妨げとなる端末ごとの不均質要因（データ，計算能力，通信環境）に対応すべく，深層学習技術に基づき，各端末に割り当てられる最適学習寄与率の解明を目指す．
本年度はモデル支援型ネットワークを用いた連合学習模倣を検討し，最適学習寄与率の解明に取り組んだ．現実的な端末不均質環境のもとでの計算機シミュレーションにより，提案法により得られる学習寄与率が従来法と比較して高精度な学習結果をもたらすことを示した．さらに，提案手法の収束レート解析にも取り組み，学習寄与率の分散が一定以下である限り提案法の収束レートは従来法と同等となることを示した．本成果は論文誌に投稿中であり，プレプリントサーバーにて公開している．
また，将来の大規模連合学習を想定し，通信性能向上のためのデータ相関を活用したプリコーダ最適化法の提案と，省消費電力のためのアナログ光デバイスを用いる連続時間信号検出法の提案にも取り組んだ．前者に関しては論文1報が掲載となった．後者は論文誌の査読過程にあり，プレプリントサーバーにて公開している．
なお，産前産後の休暇，育児休業の取得により，2023年9月から2024年8月にわたり研究を中断している．これに伴い，研究計画時に予定していた国内外での成果発表も延期としている．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
産前産後の休暇，育児休業の取得に伴い本年度は半年間研究を中断しており，本年度実施を計画していた最適寄与率設定法の逆算的な導出については実施ができていない．しかし，当初の計画にはなかったものの重要となる収束レート解析や，大規模連合学習を想定した派生研究を実施できた．総合的にはやや遅れていると判断する．
|
| 今後の研究の推進方策 |
育児休業終了後，2024年9月より研究を再開する．その半年間を利用し，本年度実施を予定していた最適寄与率設定法の逆算的な導出に取り組む．研究実施機関の1年延長を申請し，当初の研究計画を1年ずらして実施していく予定である．
学術論文を中心とした成果発表に注力する．
|
