| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Federativno učenje z nevronskimi mrežami : magistrsko delo
Avtorji:ID Čugalj, Jaka (Avtor)
ID Strnad, Damjan (Mentor) Več o mentorju... Novo okno
ID Žalik, Mitja (Komentor)
Datoteke:.pdf MAG_Cugalj_Jaka_2024.pdf (6,46 MB)
MD5: A5200269D2B0B4D5A21C689B601E4B07
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:V magistrskem delu raziščemo postopek učenja nevronskih mrež in predstavimo idejo federativnega učenja, ki omogoči sodelovanje več naprav pri učenju enega modela nevronske mreže brez izmenjave učnih primerov. Glavna prednost federativnega učenja je, da naprava svojih lokalnih podatkov ne deli z ostalimi napravami, zato ostanejo zasebni. Preučili smo algoritme federativnega učenja FedSGD, FedAvg, FedProx, SCAFFOLD, FedVARP, ClusterFedVARP in FedRolex, ki na različne načine rešujejo izzive takšnega načina učenja. Prav tako predstavimo novo rešitev, ki komplementarno združi nekatere naštete algoritme tako, da se lahko v nekaterih primerih ob istih pogojih učenje izvaja učinkoviteje. Učinkovitost učenja smo testirali na klasifikacijskem problemu razpoznave ročno napisanih števil podatkovne zbirke MNIST ter problemu napovedovanja naslednje črke v stavku, kjer smo učne primere generirali s pomočjo literarnih del Williama Shakespeara. Izvedli smo analizo vpliva različnih parametrov algoritmov na učenje nevronskih mrež in primerjali vpliv neenakomerne porazdelitve podatkov na hitrost konvergence posameznih algoritmov na različnih podatkovnih zbirkah. Implementirali smo simulator federativnega učenja z uporabniškim vmesnikom, preko katerega lahko uporabnik ureja parametre učnih algoritmov in odjemalcev ter izvaja učenje in testiranje različnih modelov v ločenih nitih.
Ključne besede:nevronske mreže, federativno učenje, klasifikacija, MNIST, stohastični gradientni spust
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[J. Čugalj]
Leto izida:2024
Št. strani:1 spletni vir (1 datoteka PDF (XI, 90 f.))
PID:20.500.12556/DKUM-88491 Novo okno
UDK:004.85:004.032.26(043.2)
COBISS.SI-ID:205879811 Novo okno
Datum objave v DKUM:01.07.2024
Število ogledov:347
Število prenosov:98
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:06.05.2024

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Federated learning with neural networks
Opis:In this master thesis we explore the process of training neural networks and present the concept of federated learning. Federated learning allows multiple edge devices to collaborate on training a single neural network without the need to exchange training examples. Each device retains its own data, keeping it secure and private. We examine several federated learning algorithms, including FedSGD, FedAvg, FedProx, SCAFFOLD, FedVARP, ClusterFedVARP and FedRolex, each addressing different challenges of this learning approach. Additionally, we present a new solution that combines some of these algorithms in a complementary manner, improving learning efficiency under certain conditions. To assess the effectiveness of this learning approach, we conducted experiments on two tasks: classifying handwritten digits from the MNIST dataset and predicting the next character in a sentence, for which training examples were generated using the literary works of William Shakespeare. We analyzed how different algorithm parameters affect neural network learning and compared how uneven data distribution impacts the convergence speed of individual algorithms. We implemented a federated learning simulator with a graphical user interface, through which the user can adjust the parameters of learning algorithms and clients, and conduct training and testing of various models in separate threads.
Ključne besede:neural networks, federated learning, classification, MNIST, stochastic gradient descent


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici