Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ

プライバシー保護下における機械学習

共立出版
Ｑｉａｎｇ　Ｙａｎｇ　Ｙａｎｇ　Ｌｉｕ　Ｙｏｎｇ　Ｃｈｅｎｇ　Ｙａｎ　Ｋａｎｇ　Ｔｉａｎｊｉａｎ　Ｃｈｅｎ　

• 価格: 4,730円（本体4,300円＋税）
• 発行年月: 2022年10月
• 判型: Ｂ５
• ISBN: 9784320124950

内容情報

[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。

第１章　イントロダクション
第２章　プライバシー保護機械学習
第３章　分散機械学習
第４章　水平連合学習
第５章　垂直連合学習
第６章　連合転移学習
第７章　連合学習のインセンティブメカニズムの設計
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
第９章　連合強化学習
第１０章　応用事例集
第１１章　まとめと展望

[日販商品データベースより]

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。

[原著: Federated Learning, Morgan & Claypool Publishers, 2019]