Административна информация
| Дял | Теория на федерираното обучение (профилиране и персонализация) |
| Продължителност | 45—60 мин. |
| Модул | В |
| Вид на урока | Лекция |
| Фокус | Технически — бъдещ ИИ |
| Тема | Напредък в моделите на ML чрез HC обектив — Резултатно ориентирано проучване |
Ключови думи
Федерирано обучение, основана на знанието система, запазване на неприкосновеността на личния живот,
Учебни цели
- Осигурете мотивацията за правене на федерирано обучение
- Осигуряване на първоначално разбиране на основните техники за федерирано обучение
- Обсъждане на основните ограничения и предизвикателствата, свързани с тях
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Основни познания по вероятност и статистика
- Основно разбиране на дълбоко обучение (SGD, алгоритъм за обратно размножаване) и техники за оценка
- Въведение в концепциите за машинно обучение и задълбочено обучение, дадени в предишни лекции
Незадължително за студенти
Няма.
Референции и фон за студенти
Няма.
Препоръчва се за учители
- P. Kairouz, et al. „Advances and Open Problems in Federated Learning“, Foundations and Trends® в машинното обучение: Том 14: № 1—2, стр. 1—2. — URL АДРЕС
- Konečný, Jakub и McMahan, H. Brendan and Ramage, Daniel and Richtárik, Peter. "Федерирана оптимизация: Разпределено машинно обучение за On-Device Intelligence". arXiv 2016.
- Chen Zhang, et al., A Survey on Federationated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950—7051 - URL
- Google Федерирано обучение и изкуствен интелект
- Федерирано обучение: Съвместно машинно обучение без централизирани данни за обучение
- Дълбоко обучение -> Федерирано обучение в 10 реда
- TensorFlow/федерирани
Материали за уроци
Инструкции за учители
- Представете преглед на техниките, техните плюсове и минуси
- Предлагане на изскачащи викторини
Учебното събитие се отнася до видовете модели, тяхната оценка и възможните техники за оптимизиране.
Очертаване
| Продължителност | Описание | Концепции |
|---|---|---|
| 10 мин. | Въведение: Мотивиращ сценарий и въведение във федерираното обучение: какво е, за какво е, кога и защо е необходимо. | Гравитацията на данните, неприкосновеността на данните и определението за благоприятстващ сценарий. |
| 10 мин. | Федерирано обучение: основни понятия, определение на системата и алгоритмичен преглед | Основни понятия на федеративния подход на обучение |
| 15 мин. | Федериран среден алгоритъм: Официално определение и свойства | Основен алгоритъм за федерирано обучение |
| 20 мин. | Отвъд средното за федерацията: ограничения на федеративната средна стойност, предизвикателствата и възможните решения. | Дисбаланс на данните, персонализация, справедливост |
| 5 мин. | Заключение, въпроси и отговори | Обобщение |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.