Ｊｉら（Ｄｙｎａｍｉｃ Ｓａｍｐｌｉｎｇ ａｎｄ Ｓｅｌｅｃｔｉｖｅ Ｍａｓｋｉｎｇ ｆｏｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎ－Ｅｆｆｉｃｉｅｎｔ Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ， ＩＥＥＥ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０２１）は、それぞれのローカルの訓練におけるモデルパラメータの重要性を考慮して、上位ｋ個の選択的マスキングを提案している。モデルパラメータの割合に静的なマスキングレートが選択基準として与えられると、最大絶対差を持つモデルパラメータのみが、比例して連合集約およびモデル更新に選択される。Ｊｉの開示では、選択的マスキング方法は静的なものであり、全てのエージェントにわたって同じである。Ｓｕｎｄａｒｅｓａｎら（米国特許公開第２０２２００３６１９４ Ａ１号）は、パラメータのクラスを作成して、リソース制約のあるアプリケーションに適した効率的な人工知能または機械学習モデルを計算するための、スパース性抽出型フレームワークを開示している。スパース性抽出型フレームワークは同時に、計算重視の教師モデルから知識を抽出すると共に、単一パスの訓練において生徒モデルのプルーニングも行うことにより、訓練回数および調整回数を大幅に低減する。Ｓｕｎｄａｒｅｓａｎの開示では、連合学習設定におけるリソース制約が考慮されず、さらに、小規模のマスクされたモデルが異なるエージェントによって毎回更新されず、更新された小規模のマスクされたモデルをサーバでの大規模モデルの訓練に結びつけていない。

１つの態様では、動的なマスキングを用いたリソース制限のある連合学習のためのコンピュータ実装方法が提供される。本コンピュータ実装方法は、連合機械学習におけるサーバが、連合機械学習におけるそれぞれのエージェントのリソースを評価して、それぞれのエージェントによるモデル訓練の能力を判定する段階を含む。本コンピュータ実装方法はさらに、サーバが能力に基づき、完全版機械学習モデルの重みをマスクして、マ・・・　続きを知財ポータルサイト IP Force にログインして見る