Luento: Federated Learning – Ennakot ja avoimet haasteet

Hallinnolliset tiedot

Otsikko	Federated Learning – Ennakot ja avoimet haasteet
Kesto	45–60
Moduuli	C
Oppitunnin tyyppi	Luento
Keskittyminen	Tekninen – Tulevaisuuden tekoäly
Aihe	ML-mallien edistyminen HC-objektiivin läpi – tulosorientoitunut tutkimus

Avainsanoja

Federated Learning, hajautetut tiedot, skaalattavuus, ei-kupera optimointi,Bias ja oikeudenmukaisuus,

Oppimistavoitteet

Tunnistaa ja keskustella Federated Learningin edistysaskelista
Tunnistaa liittooppimisen avoimet haasteet ja keskustella ehdotetuista ratkaisuista

Odotettu valmistelu

Oppimistapahtumat valmistuvat ennen

Pakollinen opiskelijoille

Koneoppimisen ja syväoppimisen käsitteiden esittely aiemmissa luennoissa

Valinnainen opiskelijoille

Ei mitään.

Referenssejä ja taustaa opiskelijoille

Suositellaan opettajille

Ei mitään.

Oppituntimateriaalit

Luentodiat – Federated Learning Advances and Open Challenges

Ohjeita opettajille

Luennon tavoitteena on opettaa oppilaille, miten koneoppimismalleja voidaan jalostaa, kun malli on otettu käyttöön laitteessa. Tämän luennon tulisi kattaa joitakin FL: n peruskäsitteitä, mutta keskitytään jäljempänä esitettyihin avoimiin ongelmiin, edistysaskeliin ja haasteisiin.

Hahmotella


Kesto	Kuvaus	Käsitteet	Aktiivisuus	Materiaali
5 min	Federated Learning (FL) elinkaari ja koulutus	Elinkaari (ongelman tunnistaminen, instrumentointi, prototyypitys, koulutus, arviointi, käyttöönotto), koulutus (valinta, lähetys, laskenta, aggregointi, mallien päivitys)	Opetettu istunto ja esimerkkejä	Luentomateriaalit
10 min	Algoritmiset ja käytännön haasteet	Täysin hajautettu/Peer-to-Peer hajautettu oppiminen, SGD ja verkon topologiat, pakkaus- ja kvantisointimenetelmät, Blockchain käyttöönotto keskuspalvelimen aggregointia varten, Cross-Silo (FL), Split-oppiminen	Opetettu istunto ja esimerkkejä	Luentomateriaalit
5 min	Tehokkuus ja tehokkuus	Itsenäinen ja identtisesti jaettu data (IID-data), strategiat ei-IID-datan käsittelemiseksi, FL:n optimointialgoritmit	Opetettu istunto ja esimerkkejä	Luentomateriaalit
10 min	Mallin suojaus (yksityisyys- ja mallihyökkäys)	Toimijat, Uhkamallit, Yksityisyys syvyydessä, Turvalliset laskelmat, Luotetut toteutusympäristöt, Paikalliset/jaetut/hybridierottelut, Todennettavuus, Ulkoiset haitalliset toimijat	Opetettu istunto ja esimerkkejä	Luentomateriaalit
5 min	Oikeudenmukaisuus & bias	Koulutustietojen puolueellisuus, oikeudenmukaisuus ilman herkkiä ominaisuuksia, mallien monimuotoisuuden parantaminen,	Opetettu istunto ja esimerkkejä	Luentomateriaalit
5 min	Järjestelmälliset haasteet	Kehitys- ja käyttöönottohaasteet, koodien käyttöönotto, seuranta ja vianetsintä, Järjestelmän aiheuttama puolueellisuus, parametri tunning	Opetettu istunto ja esimerkkejä	Luentomateriaalit
5 min	Johtopäätökset, kysymykset ja vastaukset	Yhteenveto	Päätelmät	Luentomateriaalit

Tunnustukset

Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).

Opetussuunnitelma SURF:stä

Wikiwijs-sivu