| 研究課題/領域番号 |
22H03572
|
|---|
| 配分区分 | 補助金 |
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
落合 秀也 東京大学, 大学院情報理工学系研究科, 准教授 (10615652)
|
|---|
| 研究分担者 |
松井 加奈絵 東京電機大学, システムデザイン工学部, 准教授 (30742241)
Hossain Md・Delwar 奈良先端科学技術大学院大学, 先端科学技術研究科, 助教 (60911724)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| キーワード | 機械学習 / アドホックネットワーク / 自律分散 / Edge AI |
|---|
| 研究実績の概要 |
横のつながりによる協調的機械学習として、Wireless Ad Hoc Federated Learning (WAFL) の基礎理論の構築とベンチマークによる評価実験を行い、論文として整理した。また、Autoencoderとの組み合わせによる WAFL-Autoencoderを開発し、MNISTベンチマークデータセットを用いて、Global Anomaly を検知するモデルの評価実験を行った。マルチタスクへの応用モデルとして、ブレインストーマと呼ぶAIを想定し、MT-WAFLを開発した。そして、Fashion-MNISTの回転画像・拡大縮小画像を用いることで、マルチタスクシナリオにおいても、WAFLが有効に機能することを評価検証した。また、Wi-Fiアクセスポイントの信号強度(RSSI)に対して、WAFLを使い、屋内環境における自己位置推定のマップ生成を自律分散的に協調して行えることを示した。WAFLのModel Poisoning Attackに対する耐性については理論的な考察と評価実験を行った。そして、WAFL-GANの理論構築と基礎的な有効性の評価検証をMNISTデータセットにより行った。ネットワークセキュリティ分野においては、独立した通信ネットワークでローカルに侵入検知の学習をしたモデルをFLで統合する際のNon-IID特性に関する課題について分析した。これらの研究を通じて、Edge AIアプリケーションに対する知見や課題が多く得られた。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
WAFLに関しては、WAFL-Autoencoder, MT-WAFL, WAFL-GAN, WAFLのセキュリティに関する研究を行い。WAFL-GANおよびWAFLのセキュリティに関する論文の採録＆発行に至った。WAFL本体およびWAFL-Autoencoder、MT-WAFLについてはハイレベルの学会に投稿中であり、今後の対応が必要かもしれない。
|
| 今後の研究の推進方策 |
これまでのWAFLは、モデルのGeneralizationをメインに考えてきたが、実際の運用シナリオでは、個々のデバイスにモデルを適応させるPersonalizationも併せて検討する必要があることが判明している。また、WAFLでは大型のモデルをノード間で交換することは実質的にはできないが、画像認識等への応用では大型モデルを扱う必要があり、Pre-trained Modelを活用した方法も検討しているところである。屋内環境に関する研究は、分散環境におけるビルの監視・制御、ネットワークセキュリティは、複数のデバイスで得られたデータに基づくモデルの汎化に関する研究を進めていく予定である。
|
