Федеративное обучение – это обучение с помощью машины метод, который позволяет нескольким сторонам обучать модель, не делясь своими данными. Он используется в нескольких отраслях: от клавиатур мобильных устройств до здравоохранения, автономных транспортных средств и нефтяных вышек. Это особенно полезно в ситуациях, когда обмен данными ограничен законодательством или является конфиденциальным или конфиденциальным, поскольку позволяет организациям совместно работать над проектами машинного обучения, не жертвуя конфиденциальностью данных. Это также полезно в ситуациях, когда размеры данных непомерно велики, что делает централизацию данных медленной и дорогостоящей.
Одним из основных препятствий в машинном обучении является потребность в больших объемах данных. Это может быть проблемой для организаций, не имеющих доступа к большим наборам данных, или для тех, кто работает с конфиденциальными данными, которыми нельзя поделиться. Федеративное обучение позволяет этим организациям вносить свой вклад в общую модель без необходимости делиться своими данными.
Федеративное обучение также может помочь решить проблему однородности данных. Во многих случаях модели обучаются на данных из небольшого набора источников, не представляющих генеральную совокупность. Модели, обученные на узких наборах данных, плохо обобщаются и поэтому неэффективны при более широком развертывании. Федеративное обучение позволяет обучать модели на более крупном и разнообразном наборе источников данных, не требуя централизации данных из всех этих источников данных, что приводит к созданию более надежных моделей с более высокой производительностью.
Кроме того, стоимость облачных вычислительных ресурсов может стать препятствием для машинного обучения. Обучение моделей машинного обучения может потребовать больших вычислительных ресурсов, требующих дорогостоящего оборудования, такого как графические процессоры (GPU). Использование облачных экземпляров для обучения может очень быстро стать дорогостоящим. Федеративное обучение позволяет организациям разделить нагрузку по обучению моделей и использовать недостаточно используемые вычислительные ресурсы или серверы, которые уже есть в их центрах обработки данных. Это может привести к значительной экономии средств в больших вычислительных процессах обучения.
Многие организации также обеспокоены созданием избыточных копий больших наборов данных. Это может привести к высоким затратам на хранение, а также затратам облачных провайдеров на передачу данных между локальными центрами обработки данных и облачными учетными записями или между разными облачными учетными записями. Федеративное обучение позволяет организациям хранить единую копию своих данных и не требует перемещения их в другое место или в облачную учетную запись для обучения моделей с данными.
Еще одной проблемой, которая может ограничить использование машинного обучения, является конфиденциальность и нормативные ограничения. Данные, используемые для обучения моделей, могут содержать конфиденциальную информацию, такую как личная информация (PII) или личная медицинская информация (PHI). Федеративное обучение позволяет организациям обучать модели без необходимости делиться своими данными, что может помочь смягчить эти проблемы конфиденциальности и регулирования.
Федеративное обучение уже используется в нескольких отраслях, чтобы раскрыть возможности более крупных и разнообразных наборов данных без совместного использования данных. Например, в 2021 г. Алгоритм поддержки принятия решений COVID был обучен с использованием данных из 20 больниц по всему миру с использованием федеративного обучения (полное раскрытие информации: этот проект возглавлял наш соучредитель и генеральный директор), а в 2022 г. Алгоритм обнаружения границ рака головного мозга был обучен с использованием данных из 71 больницы по всему миру. Google использует федеративное обучение, чтобы предсказать следующее набранное слово на клавиатурах Google Android с 2018 года (полное раскрытие: до того, как стать соучредителем своей компании, я работал в Google и участвовал в проектах, использующих федеративное обучение).
Таким образом, федеративное обучение помогает преодолеть ряд препятствий в машинном обучении, включая потребность в больших объемах данных, стоимость вычислительных ресурсов и хранения и передачи данных, проблему однородности данных, а также вопросы конфиденциальности и регулирования. Это позволяет организациям совместно работать над проектами машинного обучения, не жертвуя при этом конфиденциальностью данных, демократизируя использование машинного обучения и доступ к большим разнородным обучающим данным, создавая более надежные и эффективные модели.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- О нас
- доступ
- Учетная запись
- Учетные записи
- через
- Все
- позволяет
- уже
- суммы
- и
- android
- около
- автономный
- автономные транспортные средства
- становиться
- до
- не являетесь
- Лучшая
- между
- широко
- рак
- не могу
- заботится
- случаев
- Центры
- централизация
- централизованная
- Генеральный директор
- вызов
- облако
- Соучредитель
- сотрудничать
- Компания
- Вычисление
- обеспокоенный
- Обеспокоенность
- способствовать
- Цена
- экономия на издержках
- Расходы
- Создающий
- данным
- центров обработки данных
- конфиденциальность данных
- наборы данных
- обмен данными
- хранение данных
- Наборы данных
- ДАТАВЕРСИЯ
- решение
- Демократизация
- развернуть
- обнаружение
- устройство
- различный
- раскрытие
- Разное
- не
- Dont
- пример
- дорогим
- от
- полный
- Общие
- Графические процессоры
- Аппаратные средства
- имеющий
- Медицина
- Товары для здоровья
- информация о здоровье
- помощь
- полезный
- помощь
- High
- больницы
- Как
- HTTPS
- in
- В том числе
- промышленности
- информация
- вовлеченный
- вопрос
- IT
- большой
- больше
- вести
- ведущий
- изучение
- привело
- ОГРАНИЧЕНИЯ
- Ограниченный
- загрузка
- расположение
- машина
- обучение с помощью машины
- Главная
- поддерживать
- Создание
- многих
- Маржа
- смягчать
- Мобильный телефон
- мобильное устройство
- модель
- Модели
- БОЛЕЕ
- перемещение
- с разными
- природа
- Необходимость
- следующий
- номер
- препятствие
- препятствиями
- Масло
- заказ
- организации
- Преодолеть
- особенно
- Стороны
- производительность
- личного
- Личное здоровье
- Лично
- PII
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- население
- мощностью
- политикой конфиденциальности.
- Процессы
- обработка
- Проект
- проектов
- ( изучите наши патенты),
- поставщики
- быстро
- "Регулирование"
- регуляторы
- представлять
- требовать
- Полезные ресурсы
- надежный
- пожертвовав
- экономия
- чувствительный
- набор
- Наборы
- несколько
- Поделиться
- общие
- разделение
- значительный
- с
- одинарной
- обстоятельства
- Размеры
- медленной
- небольшой
- Источники
- диск
- такие
- РЕЗЮМЕ
- поддержка
- Ассоциация
- мир
- их
- в
- Train
- специалистов
- Обучение
- перевод
- Передающий
- единиц
- отпереть
- использование
- Использующий
- Транспорт
- который
- без
- Word
- работавший
- работает
- Мир
- уступая
- зефирнет