Verwaltungsinformationen
| Titel | Föderiertes Lernen – Fortschritte und offene Herausforderungen |
| Dauer | 45 – 60 |
| Modulen | C |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Zukunfts-KI |
| Themenbereich | Fortschritte bei ML-Modellen durch eine HC-Linse – Eine ergebnisorientierte Studie |
Suchbegriffe
Föderiertes Lernen,Dezentralisierte Daten,Skalierbarkeit,nicht konvexe Optimierung,Bias und Fairness,
Lernziele
- Identifizieren und diskutieren Sie die Fortschritte des Föderierten Lernens
- Erkennen Sie offene Herausforderungen des föderierten Lernens und diskutieren Sie die vorgeschlagenen Lösungen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Einführung in maschinelles Lernen und Deep-Learning-Konzepte in früheren Vorträgen
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
Ziel dieser Vorlesung ist es, den Studierenden beizubringen, wie Machine Learning-Modelle verfeinert werden können, wenn das Modell auf einem Gerät eingesetzt wurde. Dieser Vortrag sollte einige der grundlegenden Konzepte in FL abdecken, aber sich auf die offenen Probleme, Fortschritte und Herausforderungen konzentrieren, die unten skizziert werden.
Gliederung
| Dauer | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 5 min | Föderiertes Lernen (FL) Lifecycle & Training | Lebenszyklus (Problemerkennung, Instrumentierung, Prototyping, Schulung, Evaluierung, Bereitstellung), Training (Auswahl, Broadcast, Berechnung, Aggregation, Modellaktualisierung) | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 10 min | Algorithmische & praktische Herausforderungen | Vollständig dezentralisiertes/Peer-to-Peer Distributed Learning, SGD- und Netzwerktopologien, Komprimierungs- und Quantisierungsmethoden, Blockchain-Implementierung eines zentralen Servers für Aggregation, Cross-Silo (FL), Split Learning | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 5 min | Effizienz & Effektivität | Unabhängige und identisch verteilte Daten (IID-Daten), Strategien für den Umgang mit Nicht-IID-Daten, Optimierungsalgorithmen für FL | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 10 min | Modellsicherheit (Privacy & Model Attack) | Akteure, Bedrohungsmodelle, Datenschutz in Tiefe, Sichere Berechnungen, Vertrauenswürdige Ausführungsumgebungen, Lokale/Verteilte/Hybrid Differenzielle Privatsphäre, Verifizierbarkeit, Externe bösartige Akteure | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 5 min | Fairness & Bias | Bias in Trainingsdaten, Fairness ohne Zugang zu sensiblen Attributen, Verbesserung der Modellvielfalt, | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 5 min | Systematische Herausforderungen | Entwicklungs- und Bereitstellungsherausforderungen, Codebereitstellung, Überwachung und Debugging, Systeminduzierte Verzerrungen, Parametertunning | Unterrichtseinheit und Beispiele | Vortragsmaterialien |
| 5 min | Fazit, Fragen und Antworten | Zusammenfassung | Schlussfolgerungen | Vortragsmaterialien |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.