Administratívne informácie
| Názov | Teória federatívneho učenia (profilovanie a personalizácia) |
| Trvanie | 45 – 60 min |
| Modul | C |
| Druh lekcie | Prednáška |
| Zameranie | Technická – Budúca umelá inteligencia |
| Téma | Pokroky v modeloch ML prostredníctvom šošovky HC – Výsledok orientovaná štúdia |
Kľúčové slová
Federované vzdelávanie, systém založený na vedomostiach, ochrana súkromia,
Vzdelávacie ciele
- Motivácie k federatívnemu učeniu
- Poskytnúť počiatočné pochopenie základných techník pre Federované vzdelávanie
- Diskutujte o hlavných obmedzeniach a výzvach, ktoré s nimi súvisia
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Základné znalosti pravdepodobnosti a štatistiky
- Základné chápanie hĺbkového vzdelávania (SGD, algoritmus spätného šírenia) a hodnotiace techniky
- Úvod do konceptov strojového učenia a hlbokého učenia uvedených v predchádzajúcich prednáškach
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
Žiadne.
Odporúčané pre učiteľov
- P. Kairouz, a kol. „Advances and Open Problems in Federated Learning“, základy a trendy v strojovom učení: Zv. 14: Č. 1 – 2, s. 1 – 210. URL ADRESA
- Konečný, Jakub a McMahan, H. Brendan a Ramage, Daniel a Richtárik, Peter. „Federovaná optimalizácia: Distribuované strojové učenie pre inteligenciu on-Device". arXiv 2016.
- Chen Zhang, et al., prieskum o federovanom vzdelávaní, znalostné systémy, zväzok 216, 2021, 106775, ISSN 0950 – 7051 - URL
- Google Federated Learning and AI Systémové Požiadavky
- Federatívne vzdelávanie: Kolaboratívne strojové učenie bez centralizovaných tréningových údajov
- Hlboké učenie -> Federované učenie v 10 riadkoch
- TensorFlow/federated
Učebné materiály
Pokyny pre učiteľov
- Poskytnite prehľad o technikách, ich výhodách a nevýhodách
- Navrhnúť pop-up kvízy
Vzdelávacie podujatie sa vzťahuje na typy modelov, ich hodnotenie a možné techniky optimalizácie.
Obrysy
| Trvanie | Popis | Koncepty |
|---|---|---|
| 10 minút | Úvod: Motivačný scenár a úvod do federovaného vzdelávania: čo to je, na čo je, kedy a prečo je to potrebné. | Gravitácia údajov, súkromie údajov a vymedzenie podporného scenára. |
| 10 minút | Federatívne vzdelávanie: základné pojmy, definícia systému a algoritmický prehľad | Základné pojmy prístupu Federated Learning |
| 15 minút | Federálny priemerný algoritmus: Formálna definícia a vlastnosti | Základný algoritmus pre federované učenie |
| 20 minút | Nad rámec federovaného priemeru: obmedzenia federovaného priemeru, výzvy a možné riešenia. | Nerovnováha údajov, personalizácia, spravodlivosť |
| 5 minút | Záver, otázky a odpovede | Zhrnutie |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.