Публикации по теме 'federated-learning'
Сохранение конфиденциальности данных при глубоком обучении | Часть 3.
Внедрение федеративного обучения с использованием НЕ-независимого и идентично распределенного (не IID) набора данных.
Ссылка на часть 1 (Основы федеративного обучения): https://towardsdatascience.com/preserving-data-privacy-in-deep-learning-part-1-a04894f78029
Ссылка на часть 2 (Распространение CIFAR10 в набор данных реального и не-IID): https://towardsdatascience.com/preserving-data-privacy-in-deep-learning-part-2-6c2e9494398b
Большое спасибо известному аналитику данных Mr...
Децентрализованное машинное обучение: Часть I (Введение)
Первая часть серии статей о децентрализованном машинном обучении посвящена пониманию необходимости децентрализации на интуитивно понятном примере.
Это первая часть серии блогов по теме Децентрализованное машинное обучение . На протяжении всей серии я представлю сферу децентрализованного машинного обучения, объясню необходимость децентрализации, расскажу о некоторых инструментах и методах, используемых для достижения децентрализации, и завершу серию, предоставив подробный отчет о..
Федеративное обучение: мотивация и проблемы
… Или как Google Фото использует мои личные изображения для самосовершенствования
Введение
В этой статье я представлю и опишу федеративное обучение - новую парадигму машинного обучения, которая была представлена в 2016 году компанией Google. Но сначала позвольте мне установить сцену.
Итак, представьте, что вы работаете над еще одним проектом машинного обучения, скажем, над предсказателем эмодзи с автозаполнением. Все ваши данные спроектированы и готовы. Вы выбрали модели, с..
5 приложений федеративного обучения
Федеративное обучение позволяет многим устройствам совместно учиться, используя общую модель. FL работает, потому что использует данные на вашем устройстве. После сбора эти данные обновляют модель. Он будет отправлять только информацию, собранную из этого обновления модели, в облако. Короче говоря, он защищает данные на отдельном устройстве, сохраняя их локально. Информация об обновлении модели отправляется в облако. Все это в зашифрованной связи для улучшения услуг этой модели...
Федеративное обучение: взгляд Google
Интересно, но пугающе видеть, сколько данных о вас есть у технологических гигантов, таких как Google, Facebook, Apple. Я только недавно увидел данные временной шкалы Google Maps, и, несмотря на то, что мне нравилось вспоминать эти воспоминания, часть меня все еще беспокоила, насколько неправильно могут быть использованы эти данные?
Вот снимок статистики моей карты Google:
Йепп, 2019 год был для меня годом путешествий.
Во всех устройствах и приложениях у нас есть возможность не..
Децентрализованное машинное обучение: часть II (основы блокчейна)
Вторая часть серии статей о децентрализованном машинном обучении знакомит с основными концепциями блокчейна, инструмента, используемого для децентрализации.
Это вторая часть серии блогов по теме Децентрализованное машинное обучение . На протяжении всей серии я представлю сферу децентрализованного машинного обучения, объясню необходимость децентрализации, расскажу о некоторых инструментах и методах, используемых для достижения децентрализации, и завершу серию, предоставив..
Преодоление забывания в федеративном обучении на данных, не относящихся к IID
Совместный метод распределенного обучения Edgify будет полностью представлен на NeurIPS в этом году!
Обзор
Сегодня растет интерес к обучению моделей глубокого обучения на периферии. Такие алгоритмы, как Федеративное усреднение [1] (FedAvg), позволяют проводить обучение на устройствах с высокой сетевой задержкой, выполняя множество шагов локального градиента перед передачей их весов. Однако сама природа этого параметра такова, что нет никакого контроля над тем, как данные..
