Federated Learning プライバシー保護下における機械学習 /Qiang Yang Yang Liu Yong Cheng
販売価格
4,730
円 (税込)
送料無料
- 出荷目安:
- 1~2営業日で出荷
たまるdポイント(通常) 43
※たまるdポイントはポイント支払を除く商品代金(税抜)の1%です。
dカードでお支払ならポイント3倍
- 商品情報
- レビュー
≪商品情報≫
著者名:Qiang Yang、Yang Liu、Yong Cheng
出版社名:共立出版
発行年月:2022年10月
判型:B5
ISBN:9784320124950
≪内容情報≫
複数のデータ所有者が、各自の持つ学習データを秘匿したまま、協力して機械学習モデルを構築するにはどうすればよいだろうか? 従来型の機械学習のアプローチでは、すべてのデータを1か所(通常はデータセンター)に集める必要がある。
しかし、これはユーザーのプライバシーやデータの機密性に関する法律に違反する可能性がある。現在、世界中の多くの地域が、プライバシーに関する法律に従ってユーザーのデータを慎重に扱うことをテクノロジー企業に課している。欧州連合(EU)が2018年に施行したEU一般データ保護規則(GDPR)は、そのような法律の代表例である。本書では、この問題の解決策となる連合学習(federated learning)について解説する。連合学習は、分散機械学習、暗号とセキュリティ、経済学とゲーム理論に基づくインセンティブメカニズムを組み合わせた新しい手法である。本書では、プライバシーの保護を目的としたさまざまな機械学習技術とその技術的背景について説明し、代表的な実用例を紹介する。そして、社会的ニーズが高まりつつある「責任あるAI」(responsible AI)を開発・実用化するための技術として、次世代の機械学習の基盤となりうる連合学習の可能性を示す。
[原著: Federated Learning, Morgan & Claypool Publishers, 2019]
著者名:Qiang Yang、Yang Liu、Yong Cheng
出版社名:共立出版
発行年月:2022年10月
判型:B5
ISBN:9784320124950
≪内容情報≫
複数のデータ所有者が、各自の持つ学習データを秘匿したまま、協力して機械学習モデルを構築するにはどうすればよいだろうか? 従来型の機械学習のアプローチでは、すべてのデータを1か所(通常はデータセンター)に集める必要がある。
しかし、これはユーザーのプライバシーやデータの機密性に関する法律に違反する可能性がある。現在、世界中の多くの地域が、プライバシーに関する法律に従ってユーザーのデータを慎重に扱うことをテクノロジー企業に課している。欧州連合(EU)が2018年に施行したEU一般データ保護規則(GDPR)は、そのような法律の代表例である。本書では、この問題の解決策となる連合学習(federated learning)について解説する。連合学習は、分散機械学習、暗号とセキュリティ、経済学とゲーム理論に基づくインセンティブメカニズムを組み合わせた新しい手法である。本書では、プライバシーの保護を目的としたさまざまな機械学習技術とその技術的背景について説明し、代表的な実用例を紹介する。そして、社会的ニーズが高まりつつある「責任あるAI」(responsible AI)を開発・実用化するための技術として、次世代の機械学習の基盤となりうる連合学習の可能性を示す。
[原著: Federated Learning, Morgan & Claypool Publishers, 2019]