Hallinnolliset tiedot
| Otsikko | Teoria Federated Learning (Profilointi ja personointi) |
| Kesto | 45–60 min |
| Moduuli | C |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Tekninen – Tulevaisuuden tekoäly |
| Aihe | ML-mallien edistyminen HC-objektiivin läpi – tulosorientoitunut tutkimus |
Avainsanoja
Federated Learning, tietoon perustuva järjestelmä, yksityisyyden suojaaminen,
Oppimistavoitteet
- Antaa motivaatiota tehdä Federated Learning
- Tarjota alustava ymmärrys perustekniikoista Federated Learning
- Keskustele tärkeimmistä rajoituksista ja niihin liittyvistä haasteista
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Perustiedot todennäköisyydestä ja tilastoista
- Syväoppimisen perusymmärrys (SGD, backpropagation-algoritmi) ja arviointitekniikat
- Koneoppimisen ja syväoppimisen käsitteiden esittely aiemmissa luennoissa
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
Ei mitään.
Suositellaan opettajille
- P. Kairouz ym. ”Ennakot ja avoimet ongelmat yhdistyneessä oppimisessa”, perustukset ja trendit koneoppimisessa: Osa 14: Nro 1–2, s. 1–210. — URL-OSOITE
- Konečný, Jakub ja McMahan, H. Brendan ja Ramage, Daniel ja Richtárik, Peter. ”Federated Optimization: Hajautettu koneoppiminen laitteen älykkyyteen.” 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 ja AI
- Federated Learning: Yhteistoiminnallista koneoppimista ilman keskitettyä koulutusdataa
- Syväoppiminen -> Yhdistetty oppiminen 10 rivissä
- TensorFlow/liittolainen
Oppituntimateriaalit
Ohjeita opettajille
- Anna yleiskuva tekniikoista, niiden eduista ja haitoista
- Ehdota ponnahdusikkunoita
Oppimistapahtumassa on viitattava mallityyppeihin, niiden arviointiin ja mahdollisiin optimointitekniikoihin.
Hahmotella
| Kesto | Kuvaus | Käsitteet |
|---|---|---|
| 10 min | Johdanto: Motivoiva skenaario ja johdatus federoituun oppimiseen: mitä se on, mitä varten se on, milloin ja miksi sitä tarvitaan. | Tietojen vakavuus, tietosuoja ja mahdollistavan skenaarion määrittely. |
| 10 min | Federated Learning: peruskäsitteet, järjestelmän määrittely ja algoritminen yleiskatsaus | Federated Learning -lähestymistavan peruskäsitteet |
| 15 min | Federated Keskimääräinen algoritmi: Muodollinen määritelmä ja ominaisuudet | Perusalgoritmi federoituun oppimiseen |
| 20 min | Federoidun keskiarvon lisäksi: liittoutuneen keskiarvon rajoitukset, haasteet ja mahdolliset ratkaisut. | Tietojen epätasapaino, personointi, oikeudenmukaisuus |
| 5 min | Johtopäätökset, kysymykset ja vastaukset | Yhteenveto |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).