トピック: Federated Learning

全セクション横断 6 件

テキサスA&M大学らの研究チームが、数十億パラメータ規模の大規模言語モデルを高精度で統合する新手法を発表した。独自に学習した複数のAIモデルを再学習なしに合成できる可能性を示し、AI開発コストの大幅削減につながると注目される。

ストラスブール大学らの研究チームが、複数病院間で手術動画AIを共同訓練する際に生じる「性能漏洩」を検出・修正するフレームワーク「GEN-Guard」を発表した。未参加施設への展開時の精度低下という実用化の最大障壁を克服し得る成果である。

複数企業が連携してAIを共同訓練する「連合学習」において、各社が保有するデータの種類（モダリティ）が異なる場合でも精度を維持する新手法が発表された。医療・金融・小売など、データ共有に制約がある業界での実用化を大きく前進させる可能性がある。

米研究者が差分プライバシーを補完する新指標「予測可能性」を提唱した。攻撃者の知識水準に応じた細粒度の設計により、プライバシー保護と分析精度の両立が従来比で向上する可能性がある。

プライバシー保護技術として普及する差分プライバシー付き連合学習が、逆に悪意ある攻撃を隠蔽する手段として悪用される脆弱性が実証された。金融・医療など機密データを扱う業界のAI導入戦略に再考を迫る研究である。

患者データを施設外に持ち出さず複数病院が協調してAIモデルを訓練する「連合学習」システムが、治験への患者登録率を34%向上させた。新薬開発の長期化・高コスト化に悩む製薬業界に実用的な突破口を提供する。