http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 홍만수(Mann Soo Hong) (검색결과 1 건)
- 무료
- 기관 내 무료
- 유료
-
홍만수(Mann Soo Hong),강석규(Seok-Kyu Kang),이지형(Jee-Hyong Lee) 한국지능시스템학회 2020 한국지능시스템학회논문지 Vol.30 No.6
연합학습은 데이터 보호를 위해 데이터를 클라이언트 단에서만 수집하고 활용한다. 클라이언트는 전체 데이터 분포에 대한 정보가 없으므로 노이즈, 비정상 데이터 등을 포함한 out-of-distribution(OOD) 데이터를 구분 없이 학습할 가능성이 있다. 본 논문은 OOD 데이터 학습으로 인한 글로벌 모델의 성능 저하를 줄이고자 한다. 서버에서 검증데이터를 이용해 softmax 벡터를 추출하여, softmax 벡터의 거리로 각 클라이언트 모델의 유사도를 계산한다. 글로벌 모델 업데이트 과정에서 유사도가 낮은 모델들을 배제함으로써 이상 클라이언트 제거를 통한 연합학습 모델의 성능향상을 제안한다. 이를 연합학습 모델에 적용하여 이미지를 분류하는 실험을 하였고 미적용 시보다 성능이 나아지는 것을 확인하였다. In federated learning, data is collected and utilized strictly on the client’s end for data protection. However, a client is ignorant to the overall distribution of the data. Hence, a client is open to a possibility to train on out-of-distribution(OOD) data, which includes noised data and abnormal data. This paper suggests a method to mitigate the negative effects of OOD data training on the performance of the global model. On the server, each client model input the validation dataset and output a softmax vector. Similarity was calculated by distance among the softmax vectors. Client models with low similarity were excluded when updating the global model. On image classification task, the exclusive method showed improved performance than the regular inclusive method.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
