Administratívne informácie
| Názov | Federované vzdelávanie – Pokročilé a otvorené výzvy |
| Trvanie | 45 – 60 |
| Modul | C |
| Druh lekcie | Prednáška |
| Zameranie | Technická – Budúca umelá inteligencia |
| Téma | Pokroky v modeloch ML prostredníctvom šošovky HC – Výsledok orientovaná štúdia |
Kľúčové slová
Federované vzdelávanie, decentralizované údaje, škálovateľnosť, nekonvexná optimalizácia, Bias a spravodlivosť,
Vzdelávacie ciele
- Identifikujte a diskutujte o pokroku Federovaného vzdelávania
- Uznať otvorené výzvy federovaného vzdelávania a diskutovať o navrhovaných riešeniach
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
- Prednáška: Úvod do umelej inteligencie zameranej na človeka
- Prednáška: Vyvodenie a predpoveď
- Prednáška: Rozhodovacie stromy
- Prednáška: Neurónové siete
- Prednáška: Základy hlbokého učenia
- Prednáška: Konvolučné neurónové siete
- Prednáška: Transformátorové siete
- Prednáška: Úvod Všeobecne vysvetliteľná umelá inteligencia
Povinné pre študentov
- Úvod do konceptov strojového učenia a hlbokého učenia uvedených v predchádzajúcich prednáškach
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
Odporúčané pre učiteľov
Žiadne.
Učebné materiály
Pokyny pre učiteľov
Cieľom tejto prednášky je naučiť študentov, ako môžu byť modely strojového učenia vylepšené, keď bol model nasadený na zariadenie. Táto prednáška by mala zahŕňať niektoré zo základných konceptov v FL, ale zamerať sa na otvorené problémy, pokroky a výzvy uvedené nižšie.
Obrysy
| Trvanie | Popis | Koncepty | Činnosť | Materiál |
|---|---|---|---|---|
| 5 minút | Federované vzdelávanie (FL) životný cyklus a odborná príprava | Životný cyklus (identifikácia problémov, prístrojové vybavenie, vytváranie prototypov, odborná príprava, hodnotenie, nasadenie), odborná príprava (výber, vysielanie, výpočet, agregácia, aktualizácia modelu) | Vyučovanie a príklady | Prednáškové materiály |
| 10 minút | Algoritmické a praktické výzvy | Plne decentralizované/Peer-to-Peer Distributed Learning, SGD a sieťové topológie, metódy kompresie a kvantizácie, Blockchain implementácia centrálneho servera pre agregáciu, Cross-Silo (FL), Split učenie | Vyučovanie a príklady | Prednáškové materiály |
| 5 minút | Efektívnosť a účinnosť | Nezávislí a identicky distribuované dáta (IID Data), Stratégie pre riešenie neidentifikovaných údajov, optimalizačné algoritmy pre FL | Vyučovanie a príklady | Prednáškové materiály |
| 10 minút | Bezpečnosť modelu (ochrana súkromia a modelový útok) | Herci, Modely hrozieb, Súkromie v hĺbke, Bezpečné výpočty, Dôveryhodné exekučné prostredia, Miestne/Distribuované/Hybridné diferenciálne súkromie, Verifiabilita, Externí škodlivý aktéri | Vyučovanie a príklady | Prednáškové materiály |
| 5 minút | Spravodlivosť a zaujatosť | Zaujatosť v tréningových údajoch, spravodlivosť bez prístupu k citlivým atribútom, zlepšenie rozmanitosti modelov, | Vyučovanie a príklady | Prednáškové materiály |
| 5 minút | Systematické výzvy | Výzvy v oblasti vývoja a zavádzania, zavádzanie kódov, monitorovanie a ladenie, systémové skreslenie, nastavenie parametrov | Vyučovanie a príklady | Prednáškové materiály |
| 5 minút | Záver, otázky a odpovede | Zhrnutie | Závery | Prednáškové materiály |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.