Geri Dön

Federated learning with uncertainty for different tasks

Farklı görevler için belirsizliği kullanan birleşik öğrenme

  1. Tez No: 866801
  2. Yazar: YEKTA OLGUN ÖZER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR ERKENT
  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: 2024
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 83

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

  1. İstatiksel yayılım yöntemleri ile ataklara dayanıklı federe öğrenme

    Attack-resistant federated learning with statistical propagation methods

    FATMA ZEHRA SOLAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜZİN ULUTAŞ

  2. 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

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF TUĞÇE CERAN ARSLAN

  3. Federated learning and domain generalization in detecting periapical lesions

    Periapıkal lezyon tespitinde federe öğrenme ve alan genellemesi

    ÜLKÜ TUNCER KÜÇÜKTAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT HARDALAÇ

  4. Federated learning and distributed inference over wireless channels

    Kablosuz kanallar üzerinde federe öğrenme ve dağıtık çıkarım

    BÜŞRA TEGİN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA METE DUMAN

  5. Unveiling the wireless network limitations in federated learning

    Kablosuz internet ağlarındaki kısıtların federe öğrenmeye olan etkilerinin ortaya çıkarılması

    MÜMTAZ CEM ERİŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEMA FATMA OKTUĞ

    DOÇ. DR. BURAK KANTARCI