Administrative oplysninger
| Titel | Teori om Federated Learning (profilering og tilpasning) |
| Varighed | 45-60 min |
| Modul | C |
| Lektionstype | Forelæsning |
| Fokus | Teknisk — fremtidig kunstig intelligens |
| Emne | Fremskridt i ML-modeller gennem en HC-linse — En resultatorienteret undersøgelse |
Nøgleord
Federated Learning, videnbaseret system, beskyttelse af privatlivets fred,
Læringsmål
- Giv motivationen til at gøre Federated Learning
- Give en indledende forståelse af de grundlæggende teknikker til Federated Learning
- Diskutere de vigtigste begrænsninger og de udfordringer, der er forbundet med dem
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Grundlæggende kendskab til sandsynlighed og statistik
- Grundlæggende forståelse af dyb læringstræning (SGD, backpropagation algoritme) og evalueringsteknikker
- Introduktion til machine learning og deep learning koncepter givet i tidligere foredrag
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
Ingen.
Anbefalet til lærerne
- P. Kairouz, et al. "Fremskridt og åbne problemer i Federated Learning", Foundations and Trends® i Machine Learning: Bind 14: Nr. 1-2, s. 1-210. — URL
- Konečný, Jakub og McMahan, H. Brendan og Ramage, Daniel og Richtárik, Peter. "Federated Optimization: Distribueret Machine Learning for On-Device Intelligence". arXiv 2016.
- Chen Zhang, et al., En undersøgelse om organisationsbaseret læring, videnbaserede systemer, Volume 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning og AI
- Federated Learning: Kollaborativ maskinlæring uden centraliserede uddannelsesdata
- Dyb læring -> Federated learning i 10 linjer
- TensorFlow/federated
Undervisningsmaterialer
Instruktioner til lærerne
- Giv et overblik over teknikkerne, deres fordele og ulemper
- Foreslå pop-up quizzer
Læringsarrangementet skal henvise til modeltyper, deres evaluering og mulige optimeringsteknikker.
Omrids
| Varighed | Beskrivelse | Koncepter |
|---|---|---|
| 10 min. | Indledning: Motiverende scenarie og introduktion til fælles læring: hvad det er, hvad det er til, hvornår og hvorfor det er nødvendigt. | Dataenes alvor, databeskyttelse og definitionen af et gunstigt scenarie. |
| 10 min. | Federated Learning: grundlæggende begreber, systemdefinition og algoritmisk overblik | Grundlæggende begreber i Federated Learning-tilgangen |
| 15 min. | Federated Average algoritme: Formel definition og egenskaber | Grundlæggende algoritme for sammensluttet læring |
| 20 min. | Ud over føderalt gennemsnit: begrænsninger af føderalt gennemsnit, udfordringer og mulige løsninger. | Ubalance i data, personalisering, retfærdighed |
| 5 min. | Konklusion, spørgsmål og svar | Sammendrag |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.