意味的変換による非重複特徴量を用いたFederated Learning

抄録

Federated Learning(FL)は、生データを共有せずに複数組織のデータを用いて機械学習を行うプライバシー強化技術(PETs)として、近年注目されている。中でもHorizontal Federated Learning(HFL)は異なるサンプルに対して、同じ特徴量のデータを保有する組織間で適用される学習手法である。しかし、実社会において複数組織で保有する特徴量が完全に一致することは稀であり、重複していない特徴量はHFLの際に使用されない場合、性能が低下する可能性がある。本論文では、組織間で重複する特徴量が限られていた場合に、HFLで学習したモデルの性能を向上させる手法を提案する。提案手法では重複していない特徴量を、各組織で同じ意味を持つ特徴量に変換し、HFLに使用する。実験の結果、重複する特徴量のみを用いてHFLを実施した場合と比較して、提案手法を用いることで性能が改善されることを確認した。