Federated Learning―プライバシー保護下における機械学習 [単行本]

Federated Learning―プライバシー保護下における機械学習 の 商品概要

• 要旨（「BOOK」データベースより）

  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。

• 目次

  第1章　イントロダクション
  1.1　モチベーション
  1.2　連合学習とは
  1.3　連合学習の歴史と進展
  1.4　本書の構成
  
  第2章　プライバシー保護機械学習
  2.1　プライバシー保護機械学習とは
  2.2　プライバシー保護機械学習とセキュア機械学習
  2.3　脅威モデルとセキュリティモデル
  2.4　プライバシー保護技術
  
  第3章　分散機械学習
  3.1　分散機械学習とは
  3.2　スケーラビリティを目的とした分散機械学習
  3.3　プライバシーを目的とした分散機械学習
  3.4　プライバシー保護勾配降下法
  3.5　まとめ
  
  第4章　水平連合学習
  4.1　水平連合学習の定義
  4.2　水平連合学習のアーキテクチャ
  4.3　連合平均アルゴリズム
  4.4　FedAvgアルゴリズムの改善
  4.5　関連研究
  4.6　課題と展望
  
  第5章　垂直連合学習
  5.1　垂直連合学習の定義
  5.2　垂直連合学習のアーキテクチャ
  5.3　垂直連合学習のアルゴリズム
  5.4　課題と展望
  
  第6章　連合転移学習
  6.1　異種連合学習
  6.2　連合転移学習
  6.3　連合転移学習フレームワーク
  6.4　課題と展望
  
  第7章　連合学習のインセンティブメカニズムの設計
  7.1　貢献への報酬
  7.2　公正さを意識した利益分配のフレームワーク
  7.3　課題と展望
  
  第8章　コンピュータビジョン，自然言語処理，推薦システムにおける連合学習
  8.1　コンピュータビジョンにおける連合学習
  8.2　自然言語処理における連合学習
  8.3　推薦システムにおける連合学習
  
  第9章　連合強化学習
  9.1　強化学習の導入
  9.2　強化学習アルゴリズム
  9.3　分散強化学習
  9.4　連合強化学習の分類
  9.5　課題と展望
  
  第10章　応用事例集
  10.1　金融
  10.2　ヘルスケア
  10.3　教育
  10.4　アーバンコンピューティングとスマートシティ
  10.5　エッジコンピューティングとIoT
  10.6　ブロックチェーン
  10.7　5Gモバイルネットワーク
  
  第11章　まとめと展望
  
  付録A　データ保護の法整備
  A.1　EUでのデータ保護
  A.2　アメリカでのデータ保護
  A.3　中国でのデータ保護

• 出版社からのコメント

  プライバシーの保護を目的とした様々な機械学習技術と技術的背景について説明し，実用例を挙げながら連合学習について解説。

• 内容紹介

  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]

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  牧山 幸史(マキヤマ コウジ)
  ２００７年九州大学大学院システム情報科学府博士課程単位取得退学。現在ヤフー株式会社にてデータサイエンス業務に従事するかたわら、株式会社ホクソエム代表取締役社長および徳島大学客員准教授を務める
  
  高柳 慎一(タカヤナギ シンイチ)
  ２０２０年総合研究大学院大学複合科学研究科博士課程修了、博士（統計科学）。現在徳島大学デザイン型ＡＩ教育研究センター客員准教授を務める
  
  林 樹永(ハヤシ タツナガ)
  ２０１７年慶應義塾大学大学院理工学研究科修士課程修了。現在、事業会社にてデータサイエンス業務に取り組む

Federated Learning―プライバシー保護下における機械学習 の商品スペック