Haldusteave
| Ametinimetus | Federated Learning – Advances and Open Challenges |
| Kestus | 45–60 |
| Moodul | C |
| Õppetunni liik | Loeng |
| Keskendumine | Tehniline – tulevane tehisintellekt |
| Teema | Edusammud ML mudelites läbi HC objektiivi – tulemustele orienteeritud uuring |
Võtmesõnad
Födereeritud õppimine, detsentraliseeritud andmed, skaleeritavus, mittekunstlik optimeerimine, biias ja õiglus,
Õpieesmärgid
- Födereeritud õppe edusammude tuvastamine ja arutamine
- Tunnustada avatud väljakutseid födereeritud õppimise ja arutada pakutud lahendusi
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Sissejuhatus masinõppesse ja varasemates loengutes esitatud süvaõppe kontseptsioonidesse
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
Soovitatav õpetajatele
Puudub.
Juhised õpetajatele
Selle loengu eesmärk on õpetada õpilastele, kuidas masinõppe mudeleid saab täiustada, kui mudel on seadmes kasutusele võetud. See loeng peaks hõlmama mõningaid FL-i põhimõisteid, kuid keskenduma allpool kirjeldatud avatud probleemidele, edusammudele ja väljakutsetele.
Kontuur
| Kestus | Kirjeldus | Mõisted | Tegevus | Materjal |
|---|---|---|---|---|
| 5 minutit | Federated learning (FL) elutsükkel ja koolitus | Elutsükkel (probleemi tuvastamine, mõõteriistad, prototüüpimine, koolitus, hindamine, kasutuselevõtt), koolitus (valik, ülekanne, arvutamine, koondamine, mudeli ajakohastamine) | Õpetatud seanss ja näited | Õppematerjalid |
| 10 minutit | Algoritmilised ja praktilised väljakutsed | Täielikult detsentraliseeritud/Peer-to-Peer Distributed Learning, SGD ja võrgu topoloogiad, tihendamise ja kvantiseerimise meetodid, plokiahela rakendamine keskserveri koondamiseks, Cross-Silo (FL), jagatud õppimine | Õpetatud seanss ja näited | Õppematerjalid |
| 5 minutit | Tõhusus ja tõhusus | Sõltumatud ja identselt jaotatud andmed (IID-andmed), mitte-IID-andmetega tegelemise strateegiad, FL optimeerimise algoritmid | Õpetatud seanss ja näited | Õppematerjalid |
| 10 minutit | Mudeli turvalisus (privaatsus ja mudelirünnak) | Näitlejad, ohumudelid, privaatsus sügavuses, turvalised arvutused, usaldusväärsed täitmiskeskkonnad, kohalik/levitatud/hübriidne diferentsiaalprivaatsus, Verifiability, Välised pahatahtlikud näitlejad | Õpetatud seanss ja näited | Õppematerjalid |
| 5 minutit | Õiglus & Bias | Kallutatus koolitusandmetes, õiglus ilma tundlikele atribuutidele juurdepääsuta, mudelite mitmekesisuse parandamine, | Õpetatud seanss ja näited | Õppematerjalid |
| 5 minutit | Süstemaatilised probleemid | Arendus- ja kasutuselevõtuprobleemid, koodi kasutuselevõtt, seire ja silumine, süsteemist tingitud kallutatus, parameeter tunning | Õpetatud seanss ja näited | Õppematerjalid |
| 5 minutit | Järeldused, küsimused ja vastused | Kokkuvõte | Järeldused | Õppematerjalid |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.