Upravne informacije
| Naslov | Teorija federativnega učenja (profiliranje in personalizacija) |
| Trajanje | 45–60 min |
| Modul | C |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Tehnična – prihodnja umetna inteligenca |
| Tema | Napredek pri modelih ML skozi objektiv HC – študija, usmerjena v rezultate |
Ključne besede
Federated Learning, sistem, ki temelji na znanju, ohranjanje zasebnosti,
Učni cilji
- Podajte motivacijo za izvajanje Federativnega učenja
- Zagotovite začetno razumevanje osnovnih tehnik za Federativno učenje
- Razpravljati o glavnih omejitvah in izzivih, povezanih z njimi
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Osnovno znanje o verjetnosti in statistiki
- Osnovno razumevanje usposabljanja za globoko učenje (SGD, backpropagation algoritem) in tehnik vrednotenja
- Uvod v koncepte strojnega učenja in globokega učenja, podane v prejšnjih predavanjih
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
Nobenega.
Priporočeno za učitelje
- P. Kairouz, et al. „Napredki in odprti problemi v Federativnem učenju“, Temelji in trendi v strojnem učenju: Zvezek 14: Št. 1–2, str. 1–210. — URL
- Konečný, Jakub in McMahan, H. Brendan in Ramage, Daniel in Richtárik, Peter. „Zvezna optimizacija: Porazdeljeno strojno učenje za inteligenco na napravi". arXiv 2016.
- Chen Zhang, et al., A survey on federated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950–7051 - URL
- Google Federativno učenje in umetna inteligenca
- Federativno učenje: Sodelovalno strojno učenje brez centraliziranih podatkov o usposabljanju
- Globoko učenje -> Federativno učenje v 10 vrsticah
- TensorFlow/federated
Gradivo za učne ure
Navodila za učitelje
- Zagotovite pregled tehnik, njihovih prednosti in slabosti
- Predlagajte pojavne kvize
Učni dogodek se nanaša na vrste modelov, njihovo vrednotenje in možne tehnike optimizacije.
Obris
| Trajanje | Opis | Koncepti |
|---|---|---|
| 10 min | Uvod: Motivacijski scenarij in uvod v združeno učenje: kaj je, za kaj je, kdaj in zakaj je potrebna. | Resnost podatkov, zasebnost podatkov in opredelitev omogočitvenega scenarija. |
| 10 min | Federativno učenje: osnovni koncepti, definicija sistema in algoritemski pregled | Osnovni koncepti Federativnega učenja |
| 15 min | Federated Povprečni algoritem: Formalna opredelitev in lastnosti | Osnovni algoritem za združevanje učenja |
| 20 min | Nad združenim povprečjem: omejitve združenega povprečja, izzivi in možne rešitve. | Neravnovesje podatkov, personalizacija, pravičnost |
| 5 min | Zaključek, vprašanja in odgovori | Povzetek |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).