Información administrativa
| Título | Aprendizaje Federado — Avances y Desafíos Abiertos |
| Duración | 45-60 |
| Módulo | C |
| Tipo de lección | Conferencia |
| Enfoque | Técnico — Futuro AI |
| Tema | Avances en los modelos ML a través de una lente HC — Un estudio orientado a resultados |
Keywords
Aprendizaje Federado, Datos Descentralizados,Escalabilidad, Optimización No Convexa, Bias y Equidad,
Objetivos de aprendizaje
- Identificar y discutir los avances del Aprendizaje Federado
- Reconocer los desafíos abiertos del aprendizaje federado y discutir las soluciones propuestas
Preparación prevista
Eventos de aprendizaje que se completarán antes
- Conferencia: Introducción a la IA centrada en el ser humano
- Conferencia: Inferencia y predicción
- Conferencia: Árboles de decisión
- Conferencia: Redes neuronales
- Conferencia: Fundamentos del aprendizaje profundo
- Conferencia: Redes neuronales convolucionales
- Conferencia: Redes de transformadores
- Conferencia: Introducción IA general explicable
Obligatorio para los estudiantes
- Introducción al aprendizaje automático y a los conceptos de aprendizaje profundo impartidos en conferencias anteriores
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
Recomendado para profesores
Ninguno.
Material didáctico
Instrucciones para profesores
El objetivo de esta conferencia es enseñar a los estudiantes cómo se pueden refinar los modelos de aprendizaje automático cuando el modelo se ha implementado en un dispositivo. Esta conferencia debe cubrir algunos de los conceptos básicos en FL, pero centrarse en los problemas abiertos, avances y desafíos descritos a continuación.
Esquema
| Duración | Descripción | Conceptos | Actividad | Material |
|---|---|---|---|---|
| 5 min | Ciclo de vida y formación del aprendizaje federado (FL) | Ciclo de vida (identificación de problemas, instrumentación, creación de prototipos, formación, evaluación, despliegue), Formación (selección, difusión, cómputo, agregación, actualización del modelo) | Sesión enseñada y ejemplos | Material didáctico |
| 10 min | Desafíos algorítmicos y prácticos | Aprendizaje distribuido totalmente descentralizado/entre pares, SGD y topologías de red, métodos de compresión y cuantificación, implementación de Blockchain del servidor central para agregación, Cross-Silo (FL), aprendizaje dividido | Sesión enseñada y ejemplos | Material didáctico |
| 5 min | Eficiencia y Eficacia | Datos independientes e idénticos distribuidos (Datos IID), Estrategias para tratar con datos no IID, algoritmos de optimización para FL | Sesión enseñada y ejemplos | Material didáctico |
| 10 min | Modelo de seguridad (privacidad y ataque de modelo) | Actores, Modelos de Amenaza, Privacidad en Profundidad, Computaciones Seguras, Entornos de Ejecución Confiable, Privacidad diferencial Local/Distribuida/Híbrida, Verificabilidad, Actores Maliciosos Externos | Sesión enseñada y ejemplos | Material didáctico |
| 5 min | Equidad y sesgos | Sesgo en los datos de formación, equidad sin acceso a atributos sensibles, mejora de la diversidad de modelos, | Sesión enseñada y ejemplos | Material didáctico |
| 5 min | Desafíos sistemáticos | Desafíos de desarrollo y despliegue, implementación de código, monitoreo y depuración, Sesgo inducido por el sistema, Afinación de parámetros | Sesión enseñada y ejemplos | Material didáctico |
| 5 min | Conclusión, preguntas y respuestas | Resumen | Conclusiones | Material didáctico |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».