Informazioni amministrative
| Titolo | Teoria dell'apprendimento federato (profilazione e personalizzazione) |
| Durata | 45-60 min |
| Modulo | C |
| Tipo di lezione | Lezione |
| Focus | Tecnico — Intelligenza Artificiale del Futuro |
| Argomento | Progressi nei modelli ML attraverso un obiettivo HC — Uno studio orientato ai risultati |
Parole chiave
Federated Learning, sistema basato sulla conoscenza, conservazione della privacy,
Obiettivi di apprendimento
- Fornire le motivazioni per fare l'apprendimento federato
- Fornire una comprensione iniziale delle tecniche di base per l'apprendimento federato
- Discutere i principali limiti e le sfide ad essi connesse
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Conoscenza di base della probabilità e delle statistiche
- Conoscenza di base della formazione di deep learning (SGD, algoritmo di backpropagation) e tecniche di valutazione
- Introduzione ai concetti di apprendimento automatico e deep learning forniti nelle lezioni precedenti
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
Nessuno.
Consigliato per gli insegnanti
- P. Kairouz, et al. "Avanzate e problemi aperti nell'apprendimento federato", Fondamenti e tendenze® nell'apprendimento automatico: Vol. 14: N. 1–2, pagg. 1-210. — URL
- Konečný, Jakub e McMahan, H. Brendan e Ramage, Daniel e Richtárik, Peter. "Ottimizzazione consolidata: Distributed Machine Learning for On-Device Intelligence". arXiv 2016.
- Chen Zhang, et al., Un sondaggio sull'apprendimento federato, Sistemi basati sulla conoscenza, Volume 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning e AI
- Apprendimentofederato: Apprendimento automatico collaborativo senza dati di formazione centralizzati
- Deep learning -> Apprendimento federato in 10 righe
- TensorFlow/federato
Materiale didattico
Istruzioni per gli insegnanti
- Fornire una panoramica delle tecniche, dei loro pro e contro
- Proporre quiz pop-up
L'evento di apprendimento si riferisce ai tipi di modello, alla loro valutazione e alle possibili tecniche di ottimizzazione.
Contorno
| Durata | Descrizione | Concetti |
|---|---|---|
| 10 min | Introduzione: Scenario motivante e introduzione all'apprendimento federato: ciò che è, a cosa serve, quando e perché è necessario. | Gravità dei dati, privacy dei dati e definizione di scenario abilitante. |
| 10 min | Apprendimento federato: concetti di base, definizione del sistema e panoramica algoritmica | Nozioni di base dell'approccio Federated Learning |
| 15 min | Algoritmo Federated Average: Definizione formale e proprietà | Algoritmo di base per l'apprendimento federato |
| 20 min | Oltre la media federata: limiti della media federata, delle sfide e delle possibili soluzioni. | Squilibrio dei dati, personalizzazione, equità |
| 5 min | Conclusioni, domande e risposte | Riepilogo |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.