Διοικητικές πληροφορίες
| Τίτλος | Θεωρία της Ομόσπονδης Μάθησης (Profiling and Personalization) |
| Διάρκεια | 45-60 λεπτά |
| Ενότητα | Γ |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Τεχνική — Μελλοντική ΤΝ |
| Θέμα | Εξελίξεις στα μοντέλα ML μέσω ενός φακού HC — Μια μελέτη προσανατολισμένη στα αποτελέσματα |
Λέξεις-κλειδιά
Ομόσπονδη μάθηση, σύστημα που βασίζεται στη γνώση, διατήρηση της ιδιωτικής ζωής,
Μαθησιακοί στόχοι
- Δώστε τα κίνητρα για την Ομόσπονδη Μάθηση
- Παροχή αρχικής κατανόησης των βασικών τεχνικών για την Ομόσπονδη Μάθηση
- Συζητήστε τους κύριους περιορισμούς και τις προκλήσεις που συνδέονται με αυτούς
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Βασικές γνώσεις πιθανοτήτων και στατιστικών
- Βασική κατανόηση της βαθιάς μάθησης (SGD, αλγόριθμος οπισθοπολλαπλασιασμού) και τεχνικές αξιολόγησης
- Εισαγωγή στη μηχανική μάθηση και τις έννοιες βαθιάς μάθησης που δόθηκαν σε προηγούμενες διαλέξεις
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
Καμία.
Συνιστάται για εκπαιδευτικούς
- P. Kairouz, et al. «Προηγούμενα και ανοιχτά προβλήματα στην Ομόσπονδη Μάθηση», Θεμελιώσεις και Τάσεις στη Μηχανική Μάθηση: Τόμος 14: Αριθ. 1–2, σ. 1-210. — URL
- Konečný, Jakub και McMahan, H. Brendan και Ramage, Daniel and Richtárik, Peter. «Federated Optimization: Distributed Machine Learning for On-Device Intelligence». arXiv 2016.
- Chen Zhang, et al., A survey on Federal learning, Knowledge-Based Systems, Τόμος 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning και AI
- Ομόσπονδη μάθηση: Συνεργατική μηχανική μάθηση χωρίς συγκεντρωτικά δεδομένα κατάρτισης
- Βαθιά μάθηση -> Ομόσπονδη μάθηση σε 10 γραμμές
- TensorFlow/ομοσπονδιοποιημένο
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
- Δώστε μια επισκόπηση των τεχνικών, των πλεονεκτημάτων και των μειονεκτημάτων τους
- Προτείνετε αναδυόμενα κουίζ
Το μαθησιακό γεγονός αναφέρεται στους τύπους μοντέλων, την αξιολόγησή τους και τις πιθανές τεχνικές βελτιστοποίησης.
Σχεδιάγραμμα
| Διάρκεια | Περιγραφή | Έννοιες |
|---|---|---|
| 10 λεπτά | Εισαγωγή: Ενθαρρυντικό σενάριο και εισαγωγή στην ομόσπονδη μάθηση: τι είναι, τι είναι, πότε και γιατί χρειάζεται. | Βαρύτητα των δεδομένων, προστασία της ιδιωτικής ζωής των δεδομένων και ορισμός του σεναρίου διευκόλυνσης. |
| 10 λεπτά | Ομόσπονδη μάθηση: βασικές έννοιες, ορισμός συστήματος και αλγοριθμική επισκόπηση | Βασικές έννοιες της προσέγγισης της Ομόσπονδης Μάθησης |
| 15 λεπτά | Ομοσπονδιακός μέσος αλγόριθμος: Επίσημος ορισμός και ιδιότητες | Βασικός αλγόριθμος για την ομόσπονδη μάθηση |
| 20 λεπτά | Πέρα από τον ομόσπονδο μέσο όρο: περιορισμοί του ομόσπονδου μέσου όρου, προκλήσεις και πιθανές λύσεις. | Ανισορροπία δεδομένων, εξατομίκευση, δικαιοσύνη |
| 5 λεπτά | Συμπέρασμα, ερωτήσεις και απαντήσεις | Περίληψη |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.