Federated learning with uncertainty for different tasks
Farklı görevler için belirsizliği kullanan birleşik öğrenme
- Tez No: 866801
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR ERKENT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Klasik makine öğrenimi paradigmaları tipik olarak tüm verileri eğitim için tek bir sunucuda merkezileştirir, bu da veri gizliliği, depolama maliyetleri ve veri aktarımı için bant genişliği gereksinimleri gibi sorunlara yol açabilir. Bu zorlukların üstesinden gelmek için Federe Öğrenme ortaya çıkmıştır. Federe Öğrenme bu sorunları hafifletse de kendi dezavantajlarını da beraberinde getirmektedir. Geleneksel makine öğrenimi yaklaşımlarında, ortaya çıkan modelin güvenilir ve tutarlı sonuçlar vermesini sağlamak için model eğitiminden önce veriler önceden işlenir. Ancak Federe Öğrenmede, girdi verilerine doğrudan erişim mevcut değildir, bu da başarılı model eğitimini engeller ve özellikle doğal gürültü içeren girdiler için geleneksel yöntemlere göre nispeten daha düşük doğrulukla sonuçlanır. Bu tez, kaybı hesaplamak için 'Belirsizlik Kaybı Hesaplaması' adı verilen yeni bir yöntem önermektedir. Yöntem ilk olarak çok görevli öğrenme için önerilmiş ve teorik olarak sunulmuştur, ancak ampirik doğrulamadan yoksundur. Hesaplama yöntemi hem regresyon hem de sınıflandırma öğrenme metodolojilerini entegre etmektedir. Bu çalışmada denklem iki parçaya ayrılarak iki farklı modelin bağımsız olarak oluşturulmasına, eğitilmesine ve test edilmesine olanak sağlanmıştır. Bu yeni yaklaşımın etkinliğini değerlendirmek için Regresyon için Ortalama Kare Hata ve Sınıflandırma için Çapraz Entropi Kaybı kullanılarak hesaplamalı karşılaştırmalar yaptık. Bu sonuçlara dayanarak, çalışmamız önceki literatürde sunulan yöntemin pratik bir uygulamaya sahip olup olmadığını belirlemeyi amaçlamaktadır.
Özet (Çeviri)
Classical machine learning paradigms typically centralize all data on a single server for training, which can lead to problems such as data confidentiality, storage costs, and bandwidth requirements for data transfer. To address these challenges, Federated Learning has emerged. Although Federated Learning mitigates these issues, it also introduces its own set of drawbacks. In traditional machine learning approaches, data is preprocessed before model training to ensure that the resulting model yields reliable and consistent outcomes. However, in Federated Learning, direct access to input data is unavailable, which hinders successful model training and results in comparatively lower accuracy than traditional methods, particularly for inputs with inherent noise. This thesis proposes a new method for computing loss, called 'Uncertainty Loss Calculation for Federate Learning.' The method was originally proposed for multi-task learning and has been presented theoretically, but it lacks empirical validation. The computation method integrates both regression and classification learning methodologies. In this study, the equation is deconstructed into two parts, allowing for the independent construction, training, and testing of two distinct models
Benzer Tezler
- Lomber Disk Hernisi (LDH)'nin farklı klinik süreçlerinin yönetiminde yapay zeka ile tahminleme: Prospektif bir çalışma
Prediction with artificial intelligence in the management of different clinical processes of Lumbar Disc Herniation (LDH): A prospective study
FURKAN ALP
- Federated learning for credit card fraud detection: A privacy-preserving approach with controlled noise integration
Kredi kartı dolandırıcılığı tespiti için federated learning: Kontrollü gürültü entegrasyonu ile gizlilik koruyucu yaklaşım
RUSUL MAHDI ABDULHADI AL MAQADAS
- Analyzing the impact of differential privacy on model convergence with federated learning
Federasyonlu öğrenme ile farklılaştırılmış gizliliğin model yakınsaması üzerindeki etkisinin analizi
MOHAMAD BELAL ALKASSAB
- On federated learning over wireless channels with over-the-air aggregation
Kablosuz kanallar üzerinden havada birleştirme ile federe öğrenme
OZAN AYGÜN
Yüksek Lisans
İngilizce
2022
İhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Enhancing intrusion detection with privacy-preserving federated learning: Differential privacy and incremental learning integrating
Gizliliği koruyan federated öğrenme ile giriş tespitini geliştirme: Farklı mahremiyet ve artırımlı öğrenme entegrasyonu
ALI SADEQ HUSSEIN ASAL
