Görüntüleme
11
İndirme
4
Hammaddesi büyük veri olan Yapay zeka (YZ) teknolojileri özellikle son yıllarda verinin gizliliği ve güvenliği gibi önemli gerekçelerle veriye ulaşmayı zorlaştıran sebeplerden ötürü bir takım zorluklarla karşılaşmaktadır. Öte yandan büyük verinin merkezi bir lokasyonda toplanmasının zorlukları ve yüksek kapasiteli depolama ve işlemci ihtiyaçları da YZ alanında karşılaşılan zorluklardır. Bu zorluklardan esinlenerek geliştirilen İşbirlikçi YZ konsepti olan Federe Öğrenme (FÖ), işbirliğine katılan katılımcıların, veri gizliliğini ihlal etmeden YZ model parametrelerinin kendi verileri ile işlenip model paremetrelerinin güncellenmesi ve güncellenen parametrelerin bir sunucuda belirli algoritmalar aracılığıyla birleştirilmesi ile iteratif olarak gerçekleştirilen bir konsepttir. FÖ konsepti, katılımcıların öznitelik ve örnek uzaylarının ortaklığına bağlı olarak Yatay FÖ, Dikey FÖ ve Federe Transfer Öğrenme şeklinde yaklaşımlar ile uygulanmaktdır. Bu çalışmada öznitelik uzaylarının ortak olduğu Yatay FÖ yaklaşımı için geliştirilen model parametrelerini birleştirme algoritmalarından FedAVG, FedAVGM ve FaultTolerantFedAVG’nin 5 katılımcı arasında özdeş olmayan bir şekilde dağıtılmış olan MNIST veri setinin ResNet-18 ve MobileNet V3 small sınıflandırıclarının performansına etkisi incelenmektedir.
Artificial intelligence (YZ) technology, which is a big data base, is facing a number of challenges, especially in recent years, because of reasons that make it difficult to access data for important reasons such as data privacy and security. On the other hand, the difficulties of gathering big data in a central location and the high capacity storage and processor needs are also the difficulties faced in the YZ area. Inspired by these challenges, the Cooperative YZ concept, Federe Learning (FÖ), is a concept that is initially implemented by the participants participating in the cooperation, without violating data privacy, processing YZ model parameters with their own data and updating the model parameters and the combination of updated parameters on a server through specific algorithms. The FÖ concept is to be implemented by approaches in the form of the horizontal FÖ, the vertical FÖ and the Federe Transfer Learning, depending on the participant’s specificity and the partnership of the sample spaces. This study studies the impact on the performance of the MNIST data set, which has been unidentifiedly distributed between FedAVG, FedAVGM and FaultTolerantFedAVG’s 5 participants from the algorithms of combining the model parameters developed for the horizontal FÖ approach, in which special spaces are common, ResNet-18 and MobileNet V3 small classifiers.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
