Advancing federated learning through ensemble techniques: An in-depth study on averaging methods and data size variability
Topluluk teknikleri yoluyla birleşik öğrenmeyi geliştirme: Ortalama alma yöntemleri ve veri boyutu değişkenliği üzerine derinlemesine bir çalışma
- Tez No: 872627
- Danışmanlar: DR. ÖĞR. ÜYESİ ECE GELAL SOYAK
- 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: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Federe öğrenme, dağıtık makine öğreniminde yeni bir paradigma olarak, dağıtılmış cihazlar arasında işbirliğiyle model eğitimi sözü vermektedir. Bu tez, federe öğrenme ve özellikle ortalama yöntemlerine odaklanarak, toplu öğrenme teknikleri arasındaki sinerjiyi incelemekte ve CIFAR-10 veri kümesini kullanarak bu tekniklerin model performansı üzerindeki etkilerini keşfetmektedir. Çalışma, federe öğrenme bağlamında geleneksel ortalama, ağırlıklı ortalama, Kronecker ürünü füzyonu ve diğer yenilikçi teknikleri içermektedir. Ayrıca, tez, istemciler arasındaki farklı veri boyutlarının toplu öğrenme etkinliği üzerindeki etkilerini incelemektedir. Araştırma, sinir ağı toplulukları ve federe öğrenmeden gelen bilgileri birleştirerek, işbirlikçi makine öğrenme metodolojilerinin ilerlemesine katkıda bulunmaktadır.
Özet (Çeviri)
Federated learning, an emerging paradigm in distributed machine learning, holds promise for collaborative model training across decentralized devices. This thesis investigates the synergy between federated learning and ensemble techniques, particularly focusing on averaging methods, and explores their impact on model performance using the CIFAR-10 dataset. The study encompasses traditional averaging, weighted averaging, Kronecker product fusion and other innovative techniques within the context of federated learning. Furthermore, the thesis examines the influence of different data sizes across clients on the efficacy of ensemble learning. The research combines insights from neural network ensembles and federated learning, contributing to the advancement of collaborative machine learning methodologies.
Benzer Tezler
- Federe makine öğrenmesi: Kavramlar, zorluklar, yöntemler
Federated machine learning: Concepts, challenges, and methods
MAKBULE MELİSA KILIÇ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE AKTAŞ
- Comparison of federated learning frameworks for medical image domain
Medikal görüntü alanı için federe öğrenme çerçevelerinin karşılaştırılması
KENAN KOCADURDU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADİL ALPKOÇAK
- Gece görüş özellikli iha kullanılarak tarım alanlarının yabani hayvan zararlarına karşı korunması
Protection against wildlife animal damages of agricultural fields by using night visible features
MURAT GÜNEŞ
Yüksek Lisans
Türkçe
2019
Makine MühendisliğiKarabük ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK POLAT
- Yeni bir temassız vidalı sızdırmazlık elemanı tasarımı ve performans karakteristiğinin tayini
Design of a new non-contact screw seal and determination of performance characteristics
VİLDAN GİRİŞTA
Yüksek Lisans
Türkçe
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. VEDAT TEMİZ
- Improving runoff prediction by data assimilation in HBV hydrological model for upper euphrates basin
Yukarı fırat havzasında HBV hidrolojik modelinde veri asimilasyonu ile akım tahminlerinin iyileştirilmesi
BULUT AKKOL
Yüksek Lisans
İngilizce
2016
İnşaat MühendisliğiAnadolu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYNUR ŞENSOY ŞORMAN