Core Concepts
フェデレーションラーニングを用いて連結テンソル分解を行うことで、サーバ間でデータを共有せずに共同分析を行うことができる。
Abstract
本研究では、フェデレーションラーニングを用いた連結テンソル分解アルゴリズムFCNCPを提案した。このアルゴリズムは、テンソル分解の高次元データ表現と分解の優れた識別性能、連結テンソル分解の異なるサンプル間のテンソルデータ分析の利点、およびフェデレーションラーニングの分散サーバ上での共同モデリングの特徴を組み合わせている。
アルゴリズムの流れは以下の通り。
各クライアントのデータをテンソル形式で表現する。
各クライアントでテンソル分解を行い、共有成分(時間・周波数情報)をサーバに送信する。
サーバで共有成分を統合し、グローバルモデルパラメータを算出してクライアントに送信する。
クライアントはグローバルモデルパラメータを用いて局所モデルを更新する。
上記3-4を繰り返し、収束条件を満たすまで処理を行う。
シミュレーション実験では、提案手法の有効性を確認した。また、実際のERP(事象関連電位)データに適用し、既存研究と整合する結果が得られ、高次元EEGデータを効率的に処理し、重要な隠れ情報を保持できることを示した。
Stats
刺激に対して左右の大脳半球で対称的な活動が観察された。
β帯域(15-30Hz)の活動は刺激後70ms以内に前頭葉と側頭葉で観察された。
γ帯域(30-75Hz)の活動は刺激後60-75msの間に側頭葉と頭頂葉で観察された。
Quotes
"フェデレーションラーニングを用いて連結テンソル分解を行うことで、サーバ間でデータを共有せずに共同分析を行うことができる。"
"提案手法は高次元EEGデータを効率的に処理し、重要な隠れ情報を保持できることを示した。"