Administrativ information
| Titel | Teori om Federated Learning (profilering och anpassning) |
| Varaktighet | 45–60 min |
| Modul | C |
| Typ av lektion | Föreläsning |
| Fokus | Teknik – Framtida AI |
| Ämne | Framsteg i ML-modeller genom en HC-lins – En resultatorienterad studie |
Nyckelord
Federated Learning, kunskapsbaserat system, integritetsskydd,
Lärandemål
- Ge motivationen för att göra Federated Learning
- Ge en första förståelse för de grundläggande teknikerna för Federated Learning
- Diskutera de viktigaste begränsningarna och utmaningarna i samband med dem
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Grundläggande kunskaper om sannolikhet och statistik
- Grundläggande förståelse för djupinlärning (SGD, backpropagation algoritm) och utvärderingstekniker
- Introduktion till maskininlärning och djupinlärningskoncept som ges i tidigare föreläsningar
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
Ingen.
Rekommenderas för lärare
- P. Kairouz, et al. ”Framsteg och öppna problem i Federated Learning”, Stiftelser och trender inom maskininlärning: Volym 14: Nr 1–2, s. 1–210. — URL
- Konečný, Jakub och McMahan, H. Brendan och Ramage, Daniel och Richtárik, Peter. ”Federerad optimering: Distribuerad maskininlärning för On-Device Intelligence”, arXiv 2016.
- Chen Zhang, et al., En undersökning om federerat lärande, Kunskapsbaserade system, Volym 216, 2021, 106775, ISSN 0950–7051 - URL
- Google Federated Learning och AI
- Federated Learning: Kollaborativ maskininlärning utan centraliserad utbildningsdata
- Djupinlärning -> Federated learning i 10 linjer
- TensorFlow/federated
Lektionsmaterial
Instruktioner för lärare
- Ge en översikt över teknikerna, deras för- och nackdelar
- Föreslå popup-frågesporter
Inlärningsevenemanget ska avse modelltyper, utvärdering och möjliga optimeringstekniker.
Konturer
| Varaktighet | Beskrivning | Begrepp |
|---|---|---|
| 10 min | Inledning: Motiverande scenario och introduktion till federerat lärande: vad det är, vad det är för, när och varför det behövs. | Datagravitation, dataintegritet och definitionen av möjliggörande scenario. |
| 10 min | Federated Learning: grundläggande begrepp, systemdefinition och algoritmisk översikt | Grundläggande begrepp för Federated Learning |
| 15 min | Federated Average algoritm: Formell definition och egenskaper | Grundläggande algoritm för federerat lärande |
| 20 min | Utöver federerat genomsnitt: begränsningar av federerat genomsnitt, utmaningar och möjliga lösningar. | Dataobalans, personalisering, rättvisa |
| 5 min | Slutsats, frågor och svar | Sammanfattning |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.