Haldusteave
| Ametinimetus | Federated Learning teooria (profileerimine ja isikupärastamine) |
| Kestus | 45–60 min |
| Moodul | C |
| Õppetunni liik | Loeng |
| Keskendumine | Tehniline – tulevane tehisintellekt |
| Teema | Edusammud ML mudelites läbi HC objektiivi – tulemustele orienteeritud uuring |
Võtmesõnad
Federated Learning, teadmistepõhine süsteem, eraelu puutumatuse säilitamine,
Õpieesmärgid
- Pakkuda motivatsiooni teha Federated Learning
- Anda esialgne arusaam põhitehnikatest Federated Learning
- Arutage peamisi piiranguid ja nendega seotud probleeme
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Põhiteadmised tõenäosusest ja statistikast
- Põhiteadmised süvaõppe koolitusest (SGD, backpropagation algoritm) ja hindamistehnikatest
- Sissejuhatus masinõppesse ja varasemates loengutes esitatud süvaõppe kontseptsioonidesse
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
Puudub.
Soovitatav õpetajatele
- P. Kairouz, et al. „Avances and Open Problems in Federated Learning“, Foundations and Trends® in Machine Learning: Köide: Nr 1–2, lk 1–210. – URL
- Konečný, Jakub ja McMahan, H. Brendan ja Ramage, Daniel ja Richtárik, Peter. „Federated Optimization: Hajus masinõpe On-Sevice Intelligence". arXiv 2016.
- Chen Zhang, et al., Uuring föderated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950–7051 - URL
- Google Federated Learning and AI
- Federated Learning: Koostööpõhine masinõpe ilma tsentraliseeritud koolitusandmeteta
- Süvaõpe -> Födereeritud õppimine 10 rida
- TensorFlow/födereeritud
Õppematerjalid
Juhised õpetajatele
- Anda ülevaade tehnikatest, nende eelistest ja miinustest
- Pop-up viktoriinide pakkumine
Õppeüritus viitab mudelitüüpidele, nende hindamisele ja võimalikele optimeerimismeetoditele.
Kontuur
| Kestus | Kirjeldus | Mõisted |
|---|---|---|
| 10 minutit | Sissejuhatus: Motiveeriv stsenaarium ja sissejuhatus liitõppesse: mis see on, milleks see on, millal ja miks seda vajatakse. | Andmete raskusaste, andmete privaatsus ja võimaldamisstsenaariumi määratlus. |
| 10 minutit | Federated Learning: põhimõisted, süsteemi määratlus ja algoritmiline ülevaade | Federated Learning-lähenemisviisi põhimõisted |
| 15 minutit | Federated Keskmine algoritm: Ametlik määratlus ja omadused | Põhialgoritm liitõppeks |
| 20 minutit | Väljaspool liitkeskmist: ühendatud keskmise, väljakutsete ja võimalike lahenduste piirangud. | Andmete tasakaalustamatus, isikustamine, õiglus |
| 5 minutit | Järeldused, küsimused ja vastused | Kokkuvõte |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.