Административна информация
| Дял | Федерирано обучение — напредък и отворени предизвикателства |
| Продължителност | 45—60 |
| Модул | В |
| Вид на урока | Лекция |
| Фокус | Технически — бъдещ ИИ |
| Тема | Напредък в моделите на ML чрез HC обектив — Резултатно ориентирано проучване |
Ключови думи
Federated Learning,Decentralised data,Scalability, Non-convex оптимизация, Bias and Fairness,
Учебни цели
- Идентифициране и обсъждане на напредъка на Федералното обучение
- Признаване на отворените предизвикателства на федерираното обучение и обсъждане на предложените решения
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Въведение в концепциите за машинно обучение и задълбочено обучение, дадени в предишни лекции
Незадължително за студенти
Няма.
Референции и фон за студенти
Препоръчва се за учители
Няма.
Материали за уроци
Инструкции за учители
Целта на тази лекция е да научи студентите как моделите за машинно обучение могат да бъдат усъвършенствани, когато моделът е бил внедрен на устройство. Тази лекция трябва да обхване някои от основните понятия в FL, но да се съсредоточи върху откритите проблеми, напредъка и предизвикателствата, описани по-долу.
Очертаване
| Продължителност | Описание | Концепции | Дейност | Материал |
|---|---|---|---|---|
| 5 мин. | Федерирано обучение (FL) жизнен цикъл & обучение | Жизнен цикъл (идентификация на проблеми, инструментация, създаване на прототипи, обучение, оценка, внедряване), обучение (селекция, излъчване, изчисляване, агрегиране, актуализиране на модела) | Преподавана сесия и примери | Материали за лекции |
| 10 мин. | Алгоритмични и практически предизвикателства | Напълно децентрализирано/Peer-to-Peer Разпределено обучение, SGD и мрежови топологии, методи за компресиране и квантизация, блокчейн внедряване на централен сървър за агрегиране, Cross-Silo (FL), Сплит обучение | Преподавана сесия и примери | Материали за лекции |
| 5 мин. | Ефективност и ефективност | Indepentant & идентично разпределени данни (IID данни), стратегии за справяне с не-IID данни, оптимизационни алгоритми за FL | Преподавана сесия и примери | Материали за лекции |
| 10 мин. | Сигурност на модела (защита на личния живот и моделна атака) | Актьори, Заплахи Модели, Поверителност в дълбочина, Сигурни изчисления, Надеждна среда за изпълнение, Местна/Разпределена/Хибридна диференциална неприкосновеност, Доверимост, Външни злонамерени актьори | Преподавана сесия и примери | Материали за лекции |
| 5 мин. | Справедливост & Bias | Пристрастност в данните за обучението, справедливост без достъп до чувствителни атрибути, подобряване на разнообразието на моделите, | Преподавана сесия и примери | Материали за лекции |
| 5 мин. | Системни предизвикателства | Предизвикателства пред развитието и внедряването, внедряване на код, наблюдение и отстраняване на грешки, пристрастия, предизвикани от системата, параметрични тунинг | Преподавана сесия и примери | Материали за лекции |
| 5 мин. | Заключение, въпроси и отговори | Обобщение | Изводи | Материали за лекции |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.