Administrativní informace
| Název | Teorie Federovaného učení (Profilování a Personalizace) |
| Trvání | 45–60 min |
| Modul | C |
| Typ lekce | Přednáška |
| Soustředění | Technické – Budoucí UI |
| Téma | Pokroky v modelech ML prostřednictvím objektivu HC – Studie orientovaná na výsledky |
Klíčová slova
Federated Learning, systém založený na znalostech, ochrana soukromí,
Vzdělávací cíle
- Poskytněte motivaci k tomu, aby se Federated Learning
- Poskytnout počáteční pochopení základních technik pro Federované učení
- Diskutujte o hlavních omezeních a problémech s nimi spojených
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Základní znalost pravděpodobnosti a statistiky
- Základní porozumění hlubokému učení (SGD, algoritmus zpětného šíření) a hodnotícím technikám
- Úvod do strojového učení a konceptů hlubokého učení uvedených v předchozích přednáškách
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
Žádné.
Doporučeno pro učitele
- P. Kairouz, et al. „Pokroky a otevřené problémy ve Federovaném učení“, Nadace a trendy ve strojovém učení: Sv. 14: Č. 1–2, s. 1–210. — URL
- Konečný, Jakub a McMahan, H. Brendan and Ramage, Daniel a Richtárik, Peter. „Federovaná optimalizace: Distribuované strojové učení pro On-Device Intelligence". arXiv 2016.
- Chen Zhang, et al., A survey on federated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950–7051 - URL
- Google Federated Learning a AI
- Federativní učení: Kolaborativní strojové učení bez centralizovaných tréninkových dat
- Hluboké učení -> Federální učení v 10 řádcích
- TensorFlow/federované
Materiály pro výuku
Pokyny pro učitele
- Poskytnout přehled o technikách, jejich kladech a záporech
- Navrhnout pop-up kvízy
Vzdělávací akce se týká typů modelů, jejich hodnocení a možných optimalizačních technik.
Obrys
| Trvání | Popis | Koncepty |
|---|---|---|
| 10 min | Úvod: Motivační scénář a úvod do federovaného učení: co to je, k čemu je, kdy a proč je potřeba. | Gravitace dat, ochrana osobních údajů a definice základního scénáře. |
| 10 min | Federativní učení: základní pojmy, definice systému a algoritmický přehled | Základní pojmy přístupu Federated Learning |
| 15 min | Federated Average algoritmus: Formální definice a vlastnosti | Základní algoritmus pro federované učení |
| 20 min | Nad rámec federovaného průměru: omezení federovaného průměru, výzev a možných řešení. | Nerovnováha údajů, personalizace, spravedlnost |
| 5 min | Závěr, otázky a odpovědi | Shrnutí |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.