Search engine for discovering works of Art, research articles, and books related to Art and Culture
Javascript must be enabled to continue!
Federe Öğrenmede Birleştirme Algoritmalarının Model Performansına Etkisi
View through CrossRef
Hammaddesi büyük veri olan Yapay zeka (YZ) teknolojileri özellikle son yıllarda verinin gizliliği ve güvenliği gibi önemli gerekçelerle veriye ulaşmayı zorlaştıran sebeplerden ötürü bir takım zorluklarla karşılaşmaktadır. Öte yandan büyük verinin merkezi bir lokasyonda toplanmasının zorlukları ve yüksek kapasiteli depolama ve işlemci ihtiyaçları da YZ alanında karşılaşılan zorluklardır. Bu zorluklardan esinlenerek geliştirilen İşbirlikçi YZ konsepti olan Federe Öğrenme (FÖ), işbirliğine katılan katılımcıların, veri gizliliğini ihlal etmeden YZ model parametrelerinin kendi verileri ile işlenip model paremetrelerinin güncellenmesi ve güncellenen parametrelerin bir sunucuda belirli algoritmalar aracılığıyla birleştirilmesi ile iteratif olarak gerçekleştirilen bir konsepttir. FÖ konsepti, katılımcıların öznitelik ve örnek uzaylarının ortaklığına bağlı olarak Yatay FÖ, Dikey FÖ ve Federe Transfer Öğrenme şeklinde yaklaşımlar ile uygulanmaktdır. Bu çalışmada öznitelik uzaylarının ortak olduğu Yatay FÖ yaklaşımı için geliştirilen model parametrelerini birleştirme algoritmalarından FedAVG, FedAVGM ve FaultTolerantFedAVG’nin 5 katılımcı arasında özdeş olmayan bir şekilde dağıtılmış olan MNIST veri setinin ResNet-18 ve MobileNet V3 small sınıflandırıclarının performansına etkisi incelenmektedir.
Dicle Universitesi Muhendislik Fakultesi Muhendislik Dergisi
Title: Federe Öğrenmede Birleştirme Algoritmalarının Model Performansına Etkisi
Description:
Hammaddesi büyük veri olan Yapay zeka (YZ) teknolojileri özellikle son yıllarda verinin gizliliği ve güvenliği gibi önemli gerekçelerle veriye ulaşmayı zorlaştıran sebeplerden ötürü bir takım zorluklarla karşılaşmaktadır.
Öte yandan büyük verinin merkezi bir lokasyonda toplanmasının zorlukları ve yüksek kapasiteli depolama ve işlemci ihtiyaçları da YZ alanında karşılaşılan zorluklardır.
Bu zorluklardan esinlenerek geliştirilen İşbirlikçi YZ konsepti olan Federe Öğrenme (FÖ), işbirliğine katılan katılımcıların, veri gizliliğini ihlal etmeden YZ model parametrelerinin kendi verileri ile işlenip model paremetrelerinin güncellenmesi ve güncellenen parametrelerin bir sunucuda belirli algoritmalar aracılığıyla birleştirilmesi ile iteratif olarak gerçekleştirilen bir konsepttir.
FÖ konsepti, katılımcıların öznitelik ve örnek uzaylarının ortaklığına bağlı olarak Yatay FÖ, Dikey FÖ ve Federe Transfer Öğrenme şeklinde yaklaşımlar ile uygulanmaktdır.
Bu çalışmada öznitelik uzaylarının ortak olduğu Yatay FÖ yaklaşımı için geliştirilen model parametrelerini birleştirme algoritmalarından FedAVG, FedAVGM ve FaultTolerantFedAVG’nin 5 katılımcı arasında özdeş olmayan bir şekilde dağıtılmış olan MNIST veri setinin ResNet-18 ve MobileNet V3 small sınıflandırıclarının performansına etkisi incelenmektedir.
Related Results
Reliability and robustness of federated learning in practical applications
Reliability and robustness of federated learning in practical applications
Fiabilité et robustesse de l'apprentissage fédéré pour applications concrètes
L'apprentissage fédéré a gagné en popularité ces dernières années car il permet à diff...
Havacılık Alanında Kullanılan Birleştirme Yöntemleri
Havacılık Alanında Kullanılan Birleştirme Yöntemleri
Günümüzde helikopter ve uçak gibi uçan platformların motor ve gövde parçalarının imalatı büyük ölçüde çözülebilir ve çözülemez birleştirme tekniklerine dayanmaktadır. Özellikle çöz...
Robust and Privacy-Preserving Federated Learning
Robust and Privacy-Preserving Federated Learning
Vers un Apprentissage fédéré robuste et préservant la confidentialité
Dans le monde numérique en perpétuelle mutation d’aujourd’hui, l’apprentissage automatique est...
Federated learning in neuroimage segmentation
Federated learning in neuroimage segmentation
Apprentissage fédéré en segmentation en imagerie cérébrale
L'apprentissage profond en analyse d'image médicale peut amener des outils cliniques intéressants, en acc...
Compression and federated learning : an approach to frugal machine learning
Compression and federated learning : an approach to frugal machine learning
Compression et apprentissage fédéré : une approche pour l'apprentissage machine frugal
Les appareils et outils “intelligents” deviennent progressivement la norme, l...
Contributions to effective and secure federated learning with client data heterogeneity
Contributions to effective and secure federated learning with client data heterogeneity
Contributions à un apprentissage fédéré efficace et sécurisé avec des données client hétérogènes
Cette thèse se penche sur deux défis de l'apprentissage fédéré: l'h...
Apprentissage fédéré pour l’IoT : application pour l’industrie 4.0
Apprentissage fédéré pour l’IoT : application pour l’industrie 4.0
Dans l’industrie, les défaillances d’équipements entraînent des arrêts prolongés et des pertes financières conséquentes. Pour anticiper ces situations, la maintenance prédictive (M...
TAKIM ÇALIŞMASI ÖZELLİKLERİNİN TAKIM PERFORMANSINA ETKİSİ ÜZERİNE BİR ARAŞTIRMA
TAKIM ÇALIŞMASI ÖZELLİKLERİNİN TAKIM PERFORMANSINA ETKİSİ ÜZERİNE BİR ARAŞTIRMA
Günümüzde güncellenen rekabet koşullarında organizasyonlar içinde takım olarak tanımlanabilecek küçük grupların kullanılması kaçınılmaz hale gelmiştir. Yapılan çalışmalar takımları...