Verwaltungsinformationen
| Titel | Theorie des Föderierten Lernens (Profiling und Personalisierung) |
| Dauer | 45-60 min |
| Modulen | C |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Zukunfts-KI |
| Themenbereich | Fortschritte bei ML-Modellen durch eine HC-Linse – Eine ergebnisorientierte Studie |
Suchbegriffe
Föderiertes Lernen, wissensbasiertes System, Schutz der Privatsphäre,
Lernziele
- Geben Sie die Motivation für das Föderierte Lernen
- Bereitstellung eines ersten Verständnisses der grundlegenden Techniken für Federated Learning
- Diskutieren Sie die wichtigsten Einschränkungen und die damit verbundenen Herausforderungen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Grundkenntnisse der Wahrscheinlichkeit und Statistik
- Grundlegendes Verständnis von Deep Learning Training (SGD, Backpropagation Algorithmus) und Evaluierungstechniken
- Einführung in maschinelles Lernen und Deep-Learning-Konzepte in früheren Vorträgen
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
- P. Kairouz, et al. „Vorteile und offene Probleme im Federated Learning“, Grundlagen und Trends® im maschinellen Lernen: Bd. 14: Nr. 1–2, S. 1-210. — URL
- Konečný, Jakub and McMahan, H. Brendan and Ramage, Daniel and Richtárik, Peter. „Federated Optimization: Verteiltes maschinelles Lernen für 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 und KI
- Föderiertes Lernen: Kollaboratives maschinelles Lernen ohne zentralisierte Trainingsdaten
- Deep Learning -> Föderiertes Lernen in 10 Zeilen
- TensorFlow/Föderiert
Unterrichtsmaterialien
Anleitung für Lehrer
- Geben Sie einen Überblick über die Techniken, ihre Vor- und Nachteile
- Pop-up-Quize vorschlagen
Die Lernveranstaltung bezieht sich auf Modelltypen, deren Bewertung und mögliche Optimierungstechniken.
Gliederung
| Dauer | Beschreibung | Konzepte |
|---|---|---|
| 10 min | Einleitung: Motivierendes Szenario und Einführung in das föderierte Lernen: was es ist, wofür es ist, wann und warum es benötigt wird. | Datengravitation, Datenschutz und die Definition des Aktivierungsszenarios. |
| 10 min | Föderiertes Lernen: grundlegende Konzepte, Systemdefinition und algorithmische Übersicht | Grundbegriffe des Federated Learning Ansatzes |
| 15 min | Federated Average Algorithmus: Formale Definition und Eigenschaften | Basisalgorithmus für föderiertes Lernen |
| 20 min | Über den föderierten Durchschnitt hinaus: Grenzen des föderierten Durchschnitts, Herausforderungen und mögliche Lösungen. | Datenungleichgewicht, Personalisierung, Fairness |
| 5 min | Fazit, Fragen und Antworten | Zusammenfassung |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.