Informations administratives
| Titre | Apprentissage fédéré — Progrès et défis ouverts |
| Durée | 45-60 |
| Module | C |
| Type de leçon | Conférence |
| Focus | Technique — IA future |
| Sujet | Progrès dans les modèles ML à travers une lentille HC — Une étude axée sur les résultats |
Mots-clés
Apprentissage fédéré, données décentralisées, évolutivité, optimisation non-convexe,Bias and Fairness,
Objectifs d’apprentissage
- Identifier et discuter des progrès de l’apprentissage fédéré
- Reconnaître les défis ouverts de l’apprentissage fédéré et discuter des solutions proposées
Préparation prévue
Événements d’apprentissage à compléter avant
- Conférence: Introduction à l’IA centrée sur l’humain
- Conférence: Inférence et prédiction
- Conférence: Arbres de décision
- Conférence: Réseaux neuronaux
- Conférence: Fondamentaux de l’apprentissage profond
- Conférence: Réseaux neuronaux convolutionnels
- Conférence: Réseaux de transformateurs
- Conférence: Introduction Généralités IA explicable
Obligatoire pour les étudiants
- Introduction aux concepts d’apprentissage automatique et d’apprentissage profond donnés dans les conférences précédentes
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
Recommandé pour les enseignants
Aucun.
Instructions pour les enseignants
L’objectif de cette conférence est d’enseigner aux étudiants comment les modèles d’apprentissage automatique peuvent être affinés lorsque le modèle a été déployé sur un appareil. Cette conférence devrait couvrir certains des concepts de base en FL, mais se concentrer sur les problèmes ouverts, les progrès et les défis décrits ci-dessous.
Esquisse
| Durée | Description | Concepts | Activité | Matériel |
|---|---|---|---|---|
| 5 min | Cycle de vie et formation de l’apprentissage fédéré (FL) | Cycle de vie (identification des problèmes, instrumentation, prototypage, formation, évaluation, déploiement), Formation (sélection, diffusion, calcul, agrégation, mise à jour du modèle) | Session enseignée et exemples | Matériel de conférence |
| 10 min | Défis algorithmiques et pratiques | Entièrement décentralisé/Peer-to-Peer Distributed Learning, SGD et topologies réseau, méthodes de compression et de quantification, implémentation Blockchain du serveur central pour l’agrégation, Cross-Silo (FL), Split learning | Session enseignée et exemples | Matériel de conférence |
| 5 min | Efficacité & Efficacité | Données indépentantes et distribuées à l’identique (données IID), stratégies pour traiter les données non IID, algorithmes d’optimisation pour FL | Session enseignée et exemples | Matériel de conférence |
| 10 min | Sécurité du modèle (privacy & model attack) | Acteurs, Modèles de menace, Confidentialité en profondeur, Computations sécurisées, Environnements d’exécution fiables, Confidentialité différentielle locale/distribuée/hybride, Vérifiabilité, Acteurs malveillants externes | Session enseignée et exemples | Matériel de conférence |
| 5 min | Équité & Bias | Biais dans les données de formation, équité sans accès aux attributs sensibles, amélioration de la diversité des modèles, | Session enseignée et exemples | Matériel de conférence |
| 5 min | Défis systématiques | Défis de développement et de déploiement, déploiement de code, surveillance et débogage, biais induit par le système, réglage des paramètres | Session enseignée et exemples | Matériel de conférence |
| 5 min | Conclusion, questions et réponses | Résumé | Conclusions | Matériel de conférence |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.