Administratieve informatie
| Titel | Theorie van gefedereerd leren (profilering en personalisatie) |
| Looptijd | 45-60 min |
| Module | C |
| Type les | Lezing |
| Focus | Technisch — Toekomstige AI |
| Onderwerp | Vooruitgang in ML-modellen door middel van een HC-lens — Een resultaatgericht onderzoek |
Sleutelwoorden
Federated Learning, kennisgebaseerd systeem, privacybescherming,
Leerdoelen
- Geef de motivaties om Federated Learning te doen
- Geef een eerste kennis van de basistechnieken voor Federated Learning
- Bespreek de belangrijkste beperkingen en de uitdagingen die daaraan verbonden zijn
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Basiskennis van waarschijnlijkheid en statistiek
- Basiskennis van deep learning training (SGD, backpropagation algoritme) en evaluatie technieken
- Inleiding tot machine learning en deep learning concepten gegeven in eerdere lezingen
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
Geen.
Aanbevolen voor docenten
- P. Kairouz, et al. „Advances and Open Problems in Federated Learning”, Foundations and Trends® in Machine Learning: Deel 14: Nr. 1–2, blz. 1-210. — URL
- Konečný, Jakub en McMahan, H. Brendan en Ramage, Daniel en Richtárik, Peter. „Gefedereerde optimalisatie: Gedistribueerde machine learning voor on-device intelligence". arXiv 2016.
- Chen Zhang, et al., Een enquête over federated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning en AI
- Gefedereerd leren: Collaboratief machine learning zonder gecentraliseerde trainingsgegevens
- Deep learning -> Gefedereerd leren in 10 regels
- TensorFlow/gevochten
Lesmateriaal
Instructies voor docenten
- Geef een overzicht van de technieken, hun voor- en nadelen
- Pop-up quizzen voorstellen
De leergebeurtenis heeft betrekking op modeltypen, hun evaluatie en mogelijke optimalisatietechnieken.
Omtrek
| Looptijd | Omschrijving | Concepten |
|---|---|---|
| 10 min. | Inleiding: Motiverend scenario en inleiding tot gefedereerd leren: wat het is, waar het voor is, wanneer en waarom het nodig is. | Gegevenszwaartekracht, gegevensprivacy en de definitie van faciliterend scenario. |
| 10 min. | Gefedereerd leren: basisconcepten, systeemdefinitie en algoritmisch overzicht | Basisbegrippen van de Federated Learning aanpak |
| 15 min | Federated Average algoritme: Formele definitie en eigenschappen | Basisalgoritme voor federated learning |
| 20 min. | Boven het gefedereerd gemiddelde: beperkingen van gefedereerd gemiddelde, uitdagingen en mogelijke oplossingen. | Onevenwichtigheid van gegevens, personalisatie, billijkheid |
| 5 min. | Conclusie, vragen en antwoorden | Samenvatting |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.