305336記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. ドメイン独立に基づくバイアス除去型連合学習（DBFed: Debiasing Federated Learning Framework based on Domain-Independent）
1未満 分で読了
0 views

ドメイン独立に基づくバイアス除去型連合学習

（DBFed: Debiasing Federated Learning Framework based on Domain-Independent）

#Bias
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、お時間をいただき恐縮です。部下から「フェデレーテッドラーニング（Federated Learning、FL）で公平性を改善できる論文が出ています」と言われまして、正直ピンと来ないのです。これって要するに、ウチのデータを誰にも見せずにAIを公平にする話なのでしょうか？

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、一緒に整理しますよ。要点は三つです：まずFederated Learningはデータを現場に残したまま協調学習する仕組みであること、次に現場ごとのデータ差がモデル偏り（バイアス）を生むこと、最後にDBFedという手法はクライアント側で敏感属性に関する情報を明示的に扱い偏りを抑えることで、公平性を改善できる、という点です。

田中専務

敏感属性というのは、例えば性別や年齢、地域などのことでしょうか。そうすると、それを社内で明確に扱うということは、プライバシーリスクになりませんか？

AIメンター拓海

良い質問です。DBFedのポイントは、敏感属性を中央に送らずクライアント側でエンコード（符号化）する点です。つまり、性別や年齢の

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
EchoVest：経皮的電気神経刺激によるリアルタイム音分類と距離感知
(EchoVest: Real-Time Sound Classification and Depth Perception Expressed through Transcutaneous Electrical Nerve Stimulation)
次の記事
差動ウェーブレット増幅器（DWA: Differential Wavelet Amplifier） — DWA: Differential Wavelet Amplifier for Image Super-Resolution
関連記事
ワンステップのテキスト→画像生成器を人間の好みに合わせて訓練する方法
（Diff-Instruct++: Training One-step Text-to-image Generator Model to Align with Human Preferences）
OMNI-EPICによる無限学習環境の創出
（OMNI‑EPIC: Open‑endedness via Models of human Notions of Interestingness with Environments Programmed in Code）
トピックとソーシャル潜在因子を組み込んだ協調フィルタリング
（Collaborative Filtering with Topic and Social Latent Factors Incorporating Implicit Feedback）
確率的バッチサイズを用いた高速分散削減法
（Fast Variance Reduction Method with Stochastic Batch Size）
宇宙の正午における最も大質量な銀河団の組み立て
（Assembly of the Most Massive Clusters at Cosmic Noon）
交流最適潮流の大規模データセットとトポロジ変動の導入 — OPFData: Large-scale datasets for AC optimal power flow with topological perturbations
関連タグ
#Bias
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声から「屋外録音」時の3D顔動作を合成する技術
（Synthesising 3D Facial Motion from “In-the-Wild” Speech）
  • 論文研究
大量のツイートに基づく市民の特徴付け
（Characterization of citizens using word2vec and latent topic analysis in a large set of tweets）
  • 論文研究
オミクスデータの統合的コンセンサスクラスタリングのための多重カーネル学習
（Multiple kernel learning for integrative consensus clustering of ’omic datasets）
  • 論文研究
生成モデルの精度と網羅性を分離して評価する手法の改良
（Improved Precision and Recall Metric for Assessing Generative Models）
  • 論文研究
SR-GANによるゼロショット学習の改良
（SR-GAN: SEMANTIC RECTIFYING GENERATIVE ADVERSARIAL NETWORK FOR ZERO-SHOT LEARNING）
  • 論文研究
継続学習の三つのシナリオ
（Three scenarios for continual learning）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む