Αλγόριθμοι και τεχνικές βελτίωσης του federated learning

Στην ομοσπονδιακή μάθηση, στοχεύουμε να εκπαιδεύσουμε μοντέλα σε πολλαπλές υπολογιστικές μονάδες (χρήστες), ενώ οι χρήστες μπορούν να επικοινωνούν μόνο με έναν κοινό κεντρικό διακομιστή, χωρίς να ανταλλάσσουν δείγματα δεδομένων τους. Αυτός ο μηχανισμός εκμεταλλεύεται την υπολογιστική ισχύ όλων των χ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Γαρδίκης, Παναγιώτης
Άλλοι συγγραφείς: Gardikis, Panagiotis
Γλώσσα:Greek
Έκδοση: 2022
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/16128
id nemertes-10889-16128
record_format dspace
spelling nemertes-10889-161282022-09-05T20:12:41Z Αλγόριθμοι και τεχνικές βελτίωσης του federated learning Algorithms and improvement techniques for federated learning Γαρδίκης, Παναγιώτης Gardikis, Panagiotis Ομοσπονδιακή μάθηση Μηχανική μάθηση Νευρωνικά δίκτυα Βαθιά μάθηση Federated learning Machine learning Neural networks Deep learning FedAvg FedProx Personalized FedAvg Stochastic gradient descent Adam Στην ομοσπονδιακή μάθηση, στοχεύουμε να εκπαιδεύσουμε μοντέλα σε πολλαπλές υπολογιστικές μονάδες (χρήστες), ενώ οι χρήστες μπορούν να επικοινωνούν μόνο με έναν κοινό κεντρικό διακομιστή, χωρίς να ανταλλάσσουν δείγματα δεδομένων τους. Αυτός ο μηχανισμός εκμεταλλεύεται την υπολογιστική ισχύ όλων των χρηστών και επιτρέπει στους χρήστες να αποκτήσουν ένα πιο πλούσιο μοντέλο, καθώς τα μοντέλα τους εκπαιδεύονται σε ένα μεγαλύτερο σύνολο δεδομένων. Κάποιες από τις προκλήσεις που παρατηρούνται είναι ότι αναπτύσσεται μόνο ένα κοινό μοντέλο για όλους τους χρήστες, αλλά και ότι λόγω των πολλών και διαφορετικών συσκευών που συμμετέχουν, προκύπτουν ζητήματα διαχείρισης τέτοιων ετερογενών δικτύων συσκευών. Στην παρούσα διπλωματική εργασία επικεντρωνόμαστε σε αυτά τα ζητήματα και μελετάμε αλγορίθμους ομοσπονδιακής μάθησης οι οποίοι στηρίζονται στον βασικό αλγόριθμο ομοσπονδιακής μάθησης τον Federated Averaging και αντιμετωπίζουν τα παραπάνω ζητήματα, βελτιώνοντας τις ιδιότητες του ίδιου του αλγορίθμου αλλά και του παγκόσμιου μοντέλου το οποίο προκύπτει από αυτούς τους τροποποιημένους αλγορίθμους, αυξάνοντας την ακρίβεια και τη σύγκλιση του μοντέλου που προκύπτει. In Federal Learning, we aim to train models in multiple computing units (users), while users can only communicate with a common host server, without exchanging samples of their data. This mechanism utilizes the computing power of all users and allows users to obtain a richer model, as their models are trained in a larger set of data. Some of the challenges that arise, are that only one common model is developed for all users, and also that due to the many and different devices involved, issues arise in managing such heterogeneous device networks. In this diploma thesis we focus on these issues and study federal learning algorithms which are based on the federated learning algorithm Federated Averaging and address the above issues, by improving the algorithm itself and also modifies the global model’s accuracy and convergence. 2022-03-21T11:47:31Z 2022-03-21T11:47:31Z 2022-03-21 http://hdl.handle.net/10889/16128 gr application/pdf
institution UPatras
collection Nemertes
language Greek
topic Ομοσπονδιακή μάθηση
Μηχανική μάθηση
Νευρωνικά δίκτυα
Βαθιά μάθηση
Federated learning
Machine learning
Neural networks
Deep learning
FedAvg
FedProx
Personalized FedAvg
Stochastic gradient descent
Adam
spellingShingle Ομοσπονδιακή μάθηση
Μηχανική μάθηση
Νευρωνικά δίκτυα
Βαθιά μάθηση
Federated learning
Machine learning
Neural networks
Deep learning
FedAvg
FedProx
Personalized FedAvg
Stochastic gradient descent
Adam
Γαρδίκης, Παναγιώτης
Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
description Στην ομοσπονδιακή μάθηση, στοχεύουμε να εκπαιδεύσουμε μοντέλα σε πολλαπλές υπολογιστικές μονάδες (χρήστες), ενώ οι χρήστες μπορούν να επικοινωνούν μόνο με έναν κοινό κεντρικό διακομιστή, χωρίς να ανταλλάσσουν δείγματα δεδομένων τους. Αυτός ο μηχανισμός εκμεταλλεύεται την υπολογιστική ισχύ όλων των χρηστών και επιτρέπει στους χρήστες να αποκτήσουν ένα πιο πλούσιο μοντέλο, καθώς τα μοντέλα τους εκπαιδεύονται σε ένα μεγαλύτερο σύνολο δεδομένων. Κάποιες από τις προκλήσεις που παρατηρούνται είναι ότι αναπτύσσεται μόνο ένα κοινό μοντέλο για όλους τους χρήστες, αλλά και ότι λόγω των πολλών και διαφορετικών συσκευών που συμμετέχουν, προκύπτουν ζητήματα διαχείρισης τέτοιων ετερογενών δικτύων συσκευών. Στην παρούσα διπλωματική εργασία επικεντρωνόμαστε σε αυτά τα ζητήματα και μελετάμε αλγορίθμους ομοσπονδιακής μάθησης οι οποίοι στηρίζονται στον βασικό αλγόριθμο ομοσπονδιακής μάθησης τον Federated Averaging και αντιμετωπίζουν τα παραπάνω ζητήματα, βελτιώνοντας τις ιδιότητες του ίδιου του αλγορίθμου αλλά και του παγκόσμιου μοντέλου το οποίο προκύπτει από αυτούς τους τροποποιημένους αλγορίθμους, αυξάνοντας την ακρίβεια και τη σύγκλιση του μοντέλου που προκύπτει.
author2 Gardikis, Panagiotis
author_facet Gardikis, Panagiotis
Γαρδίκης, Παναγιώτης
author Γαρδίκης, Παναγιώτης
author_sort Γαρδίκης, Παναγιώτης
title Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
title_short Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
title_full Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
title_fullStr Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
title_full_unstemmed Αλγόριθμοι και τεχνικές βελτίωσης του federated learning
title_sort αλγόριθμοι και τεχνικές βελτίωσης του federated learning
publishDate 2022
url http://hdl.handle.net/10889/16128
work_keys_str_mv AT gardikēspanagiōtēs algorithmoikaitechnikesbeltiōsēstoufederatedlearning
AT gardikēspanagiōtēs algorithmsandimprovementtechniquesforfederatedlearning
_version_ 1771297269969059840