Vertical Federated Image Segmentation

要約

画像ベースの問題に対する AI ソリューションの普及に伴い、データのプライバシーとデータ取得の両方に対する懸念が高まっています。
多くの場合、情報は個別のデータ サイロに配置されており、開発者が機械学習モデルの開発に適した方法ですべての情報を統合することが困難な場合があります。
これに加えて、これらのローカライズされたデータ領域の一部は、ラベル付きのグラウンド トゥルースにアクセスできない場合があります。
これは、数値的に結論に達する能力はあるものの、関連情報が不足しているため分類を割り当てることができないことを示しています。
このような決定は、特にこの機能が必要になることが多い画像ベースのソリューションを開発しようとする場合には、無視できることがよくあります。
これが事実であるため、この共通の条件セットの下で動作できる革新的な垂直連合学習 (VFL) モデル アーキテクチャを提案します。
これは、VFL 環境の制約下で動作し、公称精度を維持しながら画像セグメンテーションを実行できるシステムの最初 (そして現時点では唯一) の実装です。
私たちは、ラベル付きデータのないフェデレーション上で動作し、分類に必要な機能をホストする中央サーバーとそれぞれの重みを非公開で共有する機能を誇る FCN を利用することでこれを実現しました。
フェデレート間の情報転送に必要な高機能圧縮の影響を判断するため、また、そのような制約の下で作業する場合の全体的なパフォーマンス指標について名目上の結論に達するために、CamVid データセットに対してテストが実施されました。

要約(オリジナル)

With the popularization of AI solutions for image based problems, there has been a growing concern for both data privacy and acquisition. In a large number of cases, information is located on separate data silos and it can be difficult for a developer to consolidate all of it in a fashion that is appropriate for machine learning model development. Alongside this, a portion of these localized data regions may not have access to a labelled ground truth. This indicates that they have the capacity to reach conclusions numerically, but are not able to assign classifications amid a lack of pertinent information. Such a determination is often negligible, especially when attempting to develop image based solutions that often necessitate this capability. With this being the case, we propose an innovative vertical federated learning (VFL) model architecture that can operate under this common set of conditions. This is the first (and currently the only) implementation of a system that can work under the constraints of a VFL environment and perform image segmentation while maintaining nominal accuracies. We achieved this by utilizing an FCN that boasts the ability to operate on federates that lack labelled data and privately share the respective weights with a central server, that of which hosts the necessary features for classification. Tests were conducted on the CamVid dataset in order to determine the impact of heavy feature compression required for the transfer of information between federates, as well as to reach nominal conclusions about the overall performance metrics when working under such constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google