Processing

Please wait...

Settings

Settings

Goto Application

1. WO2021059607 - MACHINE LEARNING SYSTEM AND METHOD, INTEGRATION SERVER, INFORMATION PROCESSING DEVICE, PROGRAM, AND INFERENCE MODEL GENERATION METHOD

Publication Number WO/2021/059607
Publication Date 01.04.2021
International Application No. PCT/JP2020/022609
International Filing Date 09.06.2020
IPC
G06N 20/00 2019.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
Applicants
  • 富士フイルム株式会社 FUJIFILM CORPORATION [JP]/[JP]
Inventors
  • 上原 大暉 UEHARA Daiki
Agents
  • 中島 順子 NAKASHIMA Junko
  • 米倉 潤造 YONEKURA Junzo
  • 藤森 義真 FUJIMORI Yoshinao
  • 上出 真紀 KAMIDE Maki
Priority Data
2019-17571426.09.2019JP
Publication Language Japanese (JA)
Filing Language Japanese (JA)
Designated States
Title
(EN) MACHINE LEARNING SYSTEM AND METHOD, INTEGRATION SERVER, INFORMATION PROCESSING DEVICE, PROGRAM, AND INFERENCE MODEL GENERATION METHOD
(FR) SYSTÈME ET PROCÉDÉ D'APPRENTISSAGE AUTOMATIQUE, SERVEUR D'INTÉGRATION, DISPOSITIF DE TRAITEMENT D'INFORMATIONS, PROGRAMME ET PROCÉDÉ DE GÉNÉRATION DE MODÈLE D'INFÉRENCE
(JA) 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法
Abstract
(EN)
Provided are: a machine learning system and a machine learning method capable of guaranteeing the accuracy of learning in federated learning; an integration server; an information processing device; a program; and an inference model generation method. According to the present invention, a learning model on each client terminal side and a master model of the integration server are synchronized with each other before each of a plurality of client terminals starts learning. Each client terminal executes machine learning of the learning model by using data stored in a medical institution, and transmits a learning result to the integration server. The integration server divides the client terminals into a plurality of client clusters, integrates learning results for each of the client clusters, and generates master model candidates. The integration server evaluates the inference accuracy of each of the master model candidates, and, upon detection of a master model candidate having an accuracy lower than a threshold, extracts a client terminal which has caused accuracy deterioration from among the client clusters used for generating the master model candidate.
(FR)
L'invention concerne : un système d'apprentissage automatique et un procédé d'apprentissage automatique capables de garantir la précision d'apprentissage dans un apprentissage fédéré ; un serveur d'intégration ; un dispositif de traitement d'informations ; un programme ; et un procédé de génération de modèle d'inférence. Selon la présente invention, un modèle d'apprentissage de chaque côté terminal de client et un modèle maître du serveur d'intégration sont synchronisés les un avec les autres avant que chaque terminal parmi une pluralité de terminaux clients ne commence l'apprentissage. Chaque terminal client exécute un apprentissage machine du modèle d'apprentissage en utilisant des données stockées dans une institution médicale, et transmet un résultat d'apprentissage au serveur d'intégration. Le serveur d'intégration divise les terminaux de clients en une pluralité de groupes de clients, intègre des résultats d'apprentissage pour chaque groupe de clients, et génère des candidats de modèle maître. Le serveur d'intégration évalue la précision d'inférence de chacun des candidats de modèle maître, et, lors de la détection d'un candidat de modèle maître ayant une précision inférieure à un seuil, extrait un terminal de client qui a provoqué une détérioration de précision parmi les groupes de clients utilisés pour générer le candidat de modèle maître.
(JA)
フェデレーテッドラーニングにおいて学習の精度を担保することができる機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法を提供する。複数のクライアント端末のそれぞれが学習を開始する前に、各クライアント端末側の学習モデルと統合サーバのマスターモデルとを同期させる。各クライアント端末は医療機関に保存されているデータを用いて学習モデルの機械学習を実行し、学習結果を統合サーバに送信する。統合サーバは複数のクライアント端末を複数のクライアントクラスタに分けてクライアントクラスタごとに学習結果を統合してマスターモデル候補を作成する。統合サーバは各マスターモデル候補の推論精度を評価し、精度閾値を下回っているマスターモデル候補を検出したら、そのマスターモデル候補の作成に用いたクライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出する。
Latest bibliographic data on file with the International Bureau