Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/371941FA-1DAC-45D2-8900-97FE91ADB9D9 | ||
| Έτος | 2023 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Michail Theologitis, "Algorithms for online federated machine learning", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2023 https://doi.org/10.26233/heallink.tuc.97515 | ||
| Εμφανίζεται στις Συλλογές |
Στο σύγχρονο κόσμο, ο πολλαπλασιασμός των δεδομένων, οδηγούμενος από το διαδίκτυο, τα κοινωνικά δίκτυα και το Internet of Things (IoT), έχει επιφέρει καταλυτικές αλλαγές σε διάφορους τομείς, με το Machine Learning (ML) να βρίσκεται στο προσκήνιο αυτής της επανάστασης. Καθώς η εποχή των Big Data προάγει αξιοσημείωτες εξελίξεις του ML σε τομείς όπως η αναγνώριση εικόνων και το natural language processing, συγχρόνως εισάγει σημαντικές υπολογιστικές προκλήσεις, λογιστικά εμπόδια και ανησυχίες για τo ιδιωτικό απόρρητο. Αυτές οι πολυπλοκότητες έχουν φτάσει τις παραδοσιακές προσεγγίσεις του ML στα άκρα, αποδεικνύοντας συχνά ότι είναι ανεπαρκείς, ενθαρρύνοντας την άνοδο καινοτόμων τεχνικών όπως το Federated Learning (FL). Εμβαθύνουμε στις προκλήσεις που παρουσιάζονται στο παραδοσιακό iterative training process του FL, το οποίο είναι μη δυναμικό και υπαγορεύει προκαθορισμένες λειτουργίες για τους συμμετέχοντες learners. Διερευνούμε μια δυναμική προσέγγιση βασισμένη στις αρχές του Functional Geometric Monitoring (FGM), μιας κορυφαίας τεχνικής για την παρακολούθηση distributed data streams, με στόχο τη βελτίωση της διαδικασίας εκπαίδευσης μειώνοντας σημαντικά τον φόρτο επικοινωνίας. Υπό το πρίσμα του FGM και χρησιμοποιώντας τρεις προσεγγιστικές τεχνικές, η δουλειά μας αξιολογεί την αποτελεσματικότητά του στη βελτίωση των συμβατικών διαδικασιών εκπαίδευσης του FL, υποστηριζόμενη από πλήρεις πειραματικές αναλύσεις.
Copyright © DIAS 2013
