Upravne informacije
| Naslov | Federated Learning – Napredki in odprti izzivi |
| Trajanje | 45–60 |
| Modul | C |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Tehnična – prihodnja umetna inteligenca |
| Tema | Napredek pri modelih ML skozi objektiv HC – študija, usmerjena v rezultate |
Ključne besede
Federated Learning, Decentralizirani podatki, Razširljivost, Nekonveksna optimizacija, Bije in poštenost,
Učni cilji
- Opredelitev in razprava o napredku Federativnega učenja
- Prepoznati odprte izzive združenega učenja in razpravljati o predlaganih rešitvah
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
- Predavanje: Uvod v umetno inteligenco, osredotočeno na človeka
- Predavanje: Sklepanje in predvidevanje
- Predavanje: Drevesa odločanja
- Predavanje: Nevronske mreže
- Predavanje: Osnove globokega učenja
- Predavanje: Konvolucijska nevronska omrežja
- Predavanje: Omrežja transformatorjev
- Predavanje: Uvod Splošna razlaga umetne inteligence
Obvezno za študente
- Uvod v koncepte strojnega učenja in globokega učenja, podane v prejšnjih predavanjih
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
Priporočeno za učitelje
Nobenega.
Gradivo za učne ure
Navodila za učitelje
Cilj tega predavanja je naučiti učence, kako je mogoče izboljšati modele strojnega učenja, ko je model nameščen na napravi. To predavanje bi moralo zajemati nekatere osnovne koncepte v FL, vendar se osredotočiti na odprte probleme, napredek in izzive, opisane v nadaljevanju.
Obris
| Trajanje | Opis | Koncepti | Aktivnost | Material |
|---|---|---|---|---|
| 5 min | Federativno učenje (FL) življenjski cikel in usposabljanje | Življenjski cikel (identifikacija težav, instrumenti, izdelava prototipov, usposabljanje, ocenjevanje, uvajanje), usposabljanje (izbira, oddaja, izračun, združevanje, posodobitev modela) | Predavanja in primeri | Gradivo za predavanja |
| 10 min | Algoritemski in praktični izzivi | Popolnoma decentralizirano/medsebojno porazdeljeno učenje, SGD in omrežne topologije, metode stiskanja in kvantizacije, implementacija Blockchain centralnega strežnika za združevanje, Cross-Silo (FL), Split učenje | Predavanja in primeri | Gradivo za predavanja |
| 5 min | Učinkovitost in učinkovitost | Neodvisni in enako porazdeljeni podatki (podatki IID), strategije za ravnanje s podatki, ki niso IID, algoritmi optimizacije za FL | Predavanja in primeri | Gradivo za predavanja |
| 10 min | Varnost modela (zasebnost in napad modela) | Igralci, Threat Models, Zasebnost v globini, Varno komputacije, Zaupno izvajanje okolja, Lokalni/Distributed/Hibridna diferencialna zasebnost, Verifiability, Zunanji zlonamerni igralci | Predavanja in primeri | Gradivo za predavanja |
| 5 min | Poštenost in pristranskost | Pristranskost v podatkih o usposabljanju, poštenost brez dostopa do občutljivih atributov, izboljšanje raznolikosti modelov, | Predavanja in primeri | Gradivo za predavanja |
| 5 min | Sistematični izzivi | Izzivi pri razvoju in uvajanju, uvajanje kode, spremljanje in odpravljanje napak, pristranskost sistema, nastavitev parametrov | Predavanja in primeri | Gradivo za predavanja |
| 5 min | Zaključek, vprašanja in odgovori | Povzetek | Sklepi | Gradivo za predavanja |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).