Administrativne informacije
| Naslov | Federated Learning – Napredak i otvoreni izazovi |
| Trajanje | 45 – 60 |
| Modul | C |
| Vrsta lekcija | Predavanje |
| Fokus | Tehnička – buduća umjetna inteligencija |
| Tema | Napredak u ML modelima kroz HC objektiv – Rezultat orijentirana studija |
Ključne riječi
Federated Learning, Decentralizirani podaci, Skalabilnost, Nekonveksna optimizacija,Bias and Fairness,
Ciljevi učenja
- Prepoznati i raspraviti napredak Federated Learning
- Prepoznati otvorene izazove udruženog učenja i raspravljati o predloženim rješenjima
Očekivana priprema
Edukativni događaji koji će biti završeni prije
- Predavanje: Uvod u antropocentričnu umjetnu inteligenciju
- Predavanje: Zaključak i predviđanje
- Predavanje: Stabla odlučivanja
- Predavanje: Neuronske mreže
- Predavanje: Osnove dubokog učenja
- Predavanje: Konvolucijske neuronske mreže
- Predavanje: Transformatorske mreže
- Predavanje: Uvod Opća objašnjiva umjetna inteligencija
Obvezno za studente
- Uvod u koncepte strojnog učenja i dubokog učenja dane u prethodnim predavanjima
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
Preporučeno nastavnicima
Nijedan.
Nastavni materijali
Upute za učitelje
Cilj ovog predavanja je naučiti učenike kako se modeli strojnog učenja mogu usavršiti kada je model implementiran na uređaju. Ovo predavanje trebalo bi obuhvatiti neke od osnovnih koncepata u FL-u, ali se usredotočiti na otvorene probleme, napredak i izazove navedene u nastavku.
Nacrt
| Trajanje | Opis | Koncepti | Aktivnost | Materijal |
|---|---|---|---|---|
| 5 min | Objedinjeno učenje (FL) životni ciklus i osposobljavanje | Životni ciklus (identifikacija problema, instrumentacija, izrada prototipova, osposobljavanje, evaluacija, uvođenje), osposobljavanje (odabir, emitiranje, izračun, agregacija, ažuriranje modela) | Podučavanje sesije i primjeri | Materijali za predavanja |
| 10 min | Algoritamski i praktični izazovi | Potpuno decentralizirano/Peer-to-Peer Distributed Learning, SGD i mrežne topologije, metode kompresije i kvantizacije, Blockchain implementacija središnjeg poslužitelja za agregaciju, Cross-Silo (FL), Split učenje | Podučavanje sesije i primjeri | Materijali za predavanja |
| 5 min | Učinkovitost i učinkovitost | Indepentant & Identično distribuirani podaci (IID podaci), strategije za postupanje s podacima koji nisu IID, algoritmi za optimizaciju za FL | Podučavanje sesije i primjeri | Materijali za predavanja |
| 10 min | Sigurnost modela (napad privatnosti i modela) | Glumci, modeli prijetnji, privatnost u dubini, sigurni izračuni, pouzdana provedbena okruženja, lokalna/distribuirana/hibridna diferencijalna privatnost, Verifiability, Vanjski zlonamjerni akteri | Podučavanje sesije i primjeri | Materijali za predavanja |
| 5 min | Pravednost i pristranost | Pristranost u podacima o osposobljavanju, pravednost bez pristupa osjetljivim atributima, poboljšanje raznolikosti modela, | Podučavanje sesije i primjeri | Materijali za predavanja |
| 5 min | Sustavni izazovi | Izazovi u pogledu razvoja i uvođenja, uvođenje koda, praćenje i uklanjanje pogrešaka, pristranost uzrokovana sustavom, ugađanje parametara | Podučavanje sesije i primjeri | Materijali za predavanja |
| 5 min | Zaključak, pitanja i odgovori | Sažetak | Zaključci | Materijali za predavanja |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.