Adminisztratív információk
| Cím | A föderált tanulás elmélete (Profiling és Personalization) |
| Időtartam | 45–60 perc |
| Modul | C |
| Lecke típusa | Előadás |
| Fókusz | Technikai – Jövőbeli MI |
| Téma | Fejlődés az ML modellekben egy HC objektíven keresztül – eredményorientált tanulmány |
Kulcsszó
Szövetségi tanulás, tudásalapú rendszer, adatvédelem megőrzése,
Tanulási célok
- Adja meg a motivációt a föderált tanuláshoz
- A Federated Learning alapvető technikáinak kezdeti megértése
- Beszéljük meg a főbb korlátokat és a hozzájuk kapcsolódó kihívásokat
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- A valószínűség és a statisztika alapismerete
- A mélytanulási képzés (SGD, backpropagation algoritmus) és értékelési technikák alapismerete
- Bevezetés a gépi tanulásba és a mélytanulási koncepciókba a korábbi előadásokon
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Egy sem.
Ajánlott tanároknak
- P. Kairouz, et al. „Előnyök és nyitott problémák a szövetségi tanulásban”, Alapítványok és Trendek® a gépi tanulásban: Vol. 14: 1–2. sz., 1–210. o. – URL
- Konečný, Jakub and McMahan, H. Brendan and Ramage, Daniel and Richtárik, Peter. „Támogatott optimalizálás: Elosztott gépi tanulás az eszközökön történő intelligenciához". 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 és AI
- Szövetségi tanulás: Kollaboratív gépi tanulás centralizált képzési adatok nélkül
- Mélytanulás -> Föderált tanulás 10 sorban
- TensorFlow/táplált
Leckeanyagok
Utasítások tanároknak
- Áttekintést nyújt a technikákról, azok előnyeiről és hátrányairól
- Pop-up kvízek javaslata
A tanulási eseménynek a modelltípusokra, azok értékelésére és a lehetséges optimalizálási technikákra kell vonatkoznia.
Vázlat
| Időtartam | Leírás | Fogalmak |
|---|---|---|
| 10 perc | Bevezetés: A forgatókönyv motiválása és a föderált tanulás bevezetése: mi ez, mire, mikor és miért van rá szükség. | Az adatok súlyossága, az adatvédelem és a támogató forgatókönyv meghatározása. |
| 10 perc | Szövetségi tanulás: alapfogalmak, rendszermeghatározás és algoritmikus áttekintés | A föderált tanulás megközelítésének alapfogalmai |
| 15 perc | Föderált átlag algoritmus: Formális meghatározás és tulajdonságok | Alapalgoritmus a föderált tanuláshoz |
| 20 perc | A föderált átlagon túl: a föderált átlag korlátai, a kihívások és a lehetséges megoldások. | Adategyenlőtlenség, személyre szabás, méltányosság |
| 5 perc | Következtetések, kérdések és válaszok | Összefoglaló |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.