Geri Dön

A detailed performance analysis of IPFS-based decentralized federated learning

Başlık çevirisi mevcut değil.

  1. Tez No: 824840
  2. Yazar: FATİH AKGÜÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ECE GELAL SOYAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

Federe öğrenme, bir modelin birden çok cihaz arasında eğitilmesini sağlayarak gizliliği artırır. Paylaşılan model merkezi bir sunucu olmadan eğitildiğinden ve verilerin depolanması ve kontrolü tek bir tarafça yapılmadığından, merkeziyetsiz federe öğrenme merkezi koordinatörü ortadan kaldırarak, dağıtılmış öğrenme sürecinin ölçeklenebilirliğini (scalability), esnekliğini (resilience) ve gizliliğini (privacy) arttırır. Merkeziyetsiz federe öğrenme konseptinin çeşitli zorlukları vardır: merkezi bir koordinatör olmadığı için, katılımcılar gizlilikten ödün vermeden eğitim güncellemelerini paylaşmak için işbirliği yapmalıdır; katılımcılar ayrılabileceği veya cevap dönemeyecekleri için sistem, bağlantı kopukluğunu kaldıracak şekilde tasarlanmalıdır. Sistem, eğitim sürecini daha da karmaşık hale getirebilen cihazlardaki ve veri dağıtımlarındaki heterojenliği kaldırabilmelidir. Bugüne kadar, bu faktörleri göz önünde bulunduran merkeziyetsiz federe öğrenme performansı ayrıntılı olarak analiz edilmemiştir. Bu çalışmada, farklı data boyutları, katılımcılar, toplayıcılar (aggregators), bellek/CPU değerleri ve farklı kurulumlara sahip ortamları içeren kullanım durumlarında InterPlanetary File System (IPFS) tabanlı merkeziyetsiz federe öğreneme mekanizmasını değerlendirmek için test senaryoları uyguluyoruz. Sonuçlarımız, (i) katılımcı sayısı arttıkça bağlantı kopukluklarının arttığını, (ii) katılımcılara eğitim için verilen sürenin artırılması, katılımcıların train operasyonunu zamanında bitirebildiğinden, kopmaları azalttığı ve (iii) her eğitmenin train etmesi için farklı boyutlarda datayı eğitmesi toplam doğruluk değerini arttırdığını göstermektedir.

Özet (Çeviri)

Federated learning enables training a model between multiple devices, improving privacy. By eliminating the single coordinator, decentralized federated learning improves scalability, resilience and privacy of the distributed learning process, as the shared model is trained without a central server, and the ownership and control of data is not done by one party. Decentralized federated learning has several challenges: since there is no central coordinator, participants must collaborate to exchange training updates without compromising privacy; the system must be designed to handle disconnectivity, as participants may leave or become unresponsive; the system must be able to handle heterogeneity in devices and data distributions, which can further complicate the training process. To date, the performance of decentralized federated learning considering these factors has not been analyzed in detail. In this work, we implement test cases to evaluate an InterPlanetary File System (IPFS) based decentralized federated learning mechanism in use cases involving different partition sizes, participants, aggregators, memory/CPU values, and environments with different setups. Our results yield insightful observations, including (i) disconnections increase as the number of participants increases, (ii) increasing the time given to participants for training reduces disconnections as nodes can finish the train operation on time, and (iii) with each trainer having partitions of different sizes, total accuracy increases.

Benzer Tezler

  1. Construction and performance analysis of locally adaptive base and ensemble learners

    Veri̇ uzayinin bölgesel özelli̇kleri̇ni̇ kullanan teki̇l ve kolekti̇f öğreni̇ci̇ tasarimlari ve performans anali̇zleri̇

    FARUK BULUT

    Doktora

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET FATİH AMASYALI

  2. Yapay sinir ağları ile makine çevirisinin detaylı başarım analizi

    An in-depth performance analysis of neural machine translation tasks

    SİMLA BURCU HARMA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ ERGİN

  3. Mevcut betonarme binaların performans analizleri

    Performance analysis of existing buildings

    İSMET KOPARAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ORHUN KÖKSAL

  4. Necmi Rıza Ahıskan ve icra örneklerinin müzikal açıdan değerlendirilmesi

    Musical evaluation of Necmi Rıza Ahıskan and his performance samples

    SAİT BERKER SEYMENOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Müzikİstanbul Teknik Üniversitesi

    Performans Ana Sanat Dalı

    DOÇ. DR. SİNEM ÖZDEMİR GÖÇERİ

  5. Novel data partitioning and scheduling schemes for dynamic federated vehicular cloud

    Dinamik federe araç bulutu için yeni bir görev yükü paylaşımı ve iş planlaması şemaları

    WISEBORN MANFE DANQUAH

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DENİZ TURGAY ALTILAR