Core Concepts
複数の協力者が、自身のデータやモデルを開示することなく、新しい分野を共同で探索し、予測結果を共有することで、個別の取り組みよりも高い性能を発揮できる。
Abstract
本論文では、データやモデルを共有しない条件付き信頼環境(C2AL)における協調的アクティブラーニングのフレームワークを提案している。
協力者は、自身の既存データやモデルを開示することなく、新しい分野の未ラベル化インスタンスに対する予測結果を共有する。
コーディネーターが、協力者から受け取った予測結果を基に、新たにラベル付けすべきインスタンスを選択し、その結果を全協力者に共有する。
協力者は、共有された新しいラベルを用いて、予測精度の高い ensemble モデルを構築する。
シミュレーション結果から、協調的アクティブラーニングは個別の取り組みよりも高いAUC スコアを達成することが示された。これは、協力者間の知見の共有が有効に機能していることを示唆している。
Stats
データプライバシーと効率性を重視しつつ、協力者の機械学習能力を活用できる。
Quotes
"C2AL offers several advantages while imposing certain considerations:
(a) Privacy and security: C2AL eliminates the need for direct model and data disclosure, addressing critical privacy and security considerations.
(b) Diverse data utilization: C2AL allows leveraging different data sources and insights without the need for direct data exchange.
(c) Cost and resource efficiency: C2AL promotes cost-effectiveness and resource efficiency by enabling shared labeling costs."