Federe öğrenme algoritmaları, açık kaynak çerçeve ve kütüphaneleri
Federated learning algorithms, open source frameworks and libraries
- Tez No: 815173
- Danışmanlar: PROF. DR. FEMİN YALÇIN KÜÇÜKBAYRAK, DOÇ. DR. AYTUĞ ONAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Günümüzde dağıtık sistemler ve büyük veri, merkeziyetçi makine öğrenmesi/derin öğrenme modellerinde yapılan çalışmalar zaman ve donanım maliyeti gibi engellere sebebiyet vermektedir. Bu sebeple dağıtık sistemlerde çalışan yazılımların veya Nesnelerin İnterneti (IoT) cihazlarından toplanan verilerin tek bir merkezde model eğitimi veya bu verilerden sonuç elde edilmesi aynı zamanda gizlilik gibi sorunlara da sebebiyet vermektedir. Bu sorunların çözmek için Google, veri sızıntısını önlerken birden çok cihaza dağıtılan veri kümelerine dayalı makine öğrenimi modelleri oluşturmak amacıyla Federe öğrenme'yi öne sürmüştür. Makine öğrenmesine yönelik nispeten yeni sayılabilecek olan Federe Öğrenme, giderek küreselleşen bu dünyada veri gizliliği ve güvenliği sebebiyle giderek daha önemli olacaktır. Federe öğrenmede, küresel bir model oluşturmak için işbirliği yapan cihazlar ve/veya yazılımlar yinelemeli bir şekilde kendi verisini doğrudan paylaşmadan küresel modelin doğruluk oranını giderek arttırmaktadır. Bu ise kurumların veya firmaların büyük kaynaklar ayırarak küresel bir modeli eğitme maliyetinden kurtarmakla beraber eğitim sürecini de hızlandırmaktadır. Gizliliği koruyan veri paylaşımı özellikle sağlık, finans ve iletişim gibi sektörlerde model eğitimi için Federe öğrenmeyi öne çıkartmaktadır. Federe öğrenmenin son yıllarda araştırma odağı haline gelmiş olması sadece yeni olmasından değil, gizliliği koruyan kanunlar, nüfus ve teknoloji kullanımında ki artış ile ideal bir çözüm olarak gelecekte kullanımının oldukça yaygınlaşacağı düşünülmektedir. Bu tezde, araştırmacılara ve girişimcilere, özellikle açık kaynak federe öğrenme kütüphaneleri üzerine de incelemeler yapılmış ve değerlendirme sonuçları sunulmuştur.
Özet (Çeviri)
Today, working on distributed systems and big data, centralized machine learning / deep learning models cause obstacles such as time and hardware costs. For this reason, model training in a single center of data collected from software running in distributed systems or Internet of Things (IoT) devices or obtaining results from these data also causes problems such as privacy. Because of this issues, Google introduced Federated learning to build machine learning models based on datasets distributed across multiple devices while preventing data leakage. Federated Learning, which can be considered relatively new to machine learning, will become increasingly important in this increasingly global world due to data privacy and security. In federated learning, devices and/or software that collaborate to build a global model iteratively increase the accuracy of the global model without directly sharing its own data. This saves institutions and companies from the cost of training a global model by allocating large amount of resources. Privacy-preserving data sharing highlights Federated learning for model training, especially in sectors such as health, finance and communication. Federated learning has become the focus of research in recent years, not only because it is new, but as an ideal solution with the increase in new privacy codes, population and using technology, it is thought that its use will become quite widespread in the future. In this thesis, researchers and entrepreneurs, especially on open source federated learning libraries, were also examined and the results of the evaluation were presented.
Benzer Tezler
- Distributed anomaly-based intrusion detection system for IoT environment using Blockchain technology
Dağıtılmış anomali tabanlı saldırı tespit sistemi Blockchain teknolojisi kullanılan IoT ortamı için
NOUHA HEJAZI
Yüksek Lisans
İngilizce
2022
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- du-CBA: veriden habersiz ve artırımlı sınıflandırmaya dayalı birliktelik kuralları çıkarma mimarisi
du-CBA: data agnostic and incremental classification based association rules extraction architecture
BÜŞRA BÜYÜKTANIR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ
- Age of information and unbiased federated learning in energy harvesting error-prone channels
Hataya açık kanallar üzerinde enerji hasadı ile tarafsız federe öğrenme ve bilgi yaşı
ZEYNEP ÇAKIR
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF TUĞÇE CERAN ARSLAN
- FLAGS framework and decentralized federated learning under device volatility
FLAGS platformu ve cihaz dalgalanması durumunda merkeziyetsiz federe öğrenme
AHNAF HANNAN LODHI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZNUR ÖZKASAP
YRD. DOÇ. DR. BARIŞ AKGÜN
- Federated learning and distributed inference over wireless channels
Kablosuz kanallar üzerinde federe öğrenme ve dağıtık çıkarım
BÜŞRA TEGİN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA METE DUMAN