Federerat lärande är en maskininlärning teknik som gör att flera parter kan träna en modell utan att dela sina data. Den används i flera branscher, från tangentbord för mobila enheter till hälsovård till autonoma fordon till oljeriggar. Det är särskilt användbart i situationer där datadelning begränsas av reglering, eller är känsligt eller proprietärt, eftersom det tillåter organisationer att samarbeta i maskininlärningsprojekt utan att offra datasekretess. Det är också användbart i situationer där datastorlekarna är oöverkomligt stora, vilket gör datacentraliseringen långsam och kostsam.
Ett av de största hindren i maskininlärning är behovet av stora mängder data. Detta kan vara en utmaning för organisationer som inte har tillgång till stora datamängder, eller för de som arbetar med känslig data som inte kan delas. Federerat lärande gör att dessa organisationer kan bidra till en delad modell utan att behöva dela sina data.
Federerat lärande kan också hjälpa till att övervinna frågan om datahomogenitet. I många fall tränas modeller på data från en liten uppsättning källor som inte representerar den allmänna befolkningen. Modeller som tränats på smala datauppsättningar generaliserar inte bra och presterar därför sämre när de distribueras mer brett. Federated learning tillåter träningsmodeller på en större och mer mångsidig uppsättning datakällor utan att kräva att data från alla dessa datakällor centraliseras, vilket leder till mer robusta modeller med bättre prestanda.
Dessutom kan kostnaden för molnberäkningsresurser vara ett hinder för maskininlärning. Att träna maskininlärningsmodeller kan vara beräkningsintensivt och kräver dyr hårdvara som grafiska bearbetningsenheter (GPU). Att använda molninstanser för träning kan bli dyrt mycket snabbt. Federerat lärande gör det möjligt för organisationer att dela på belastningen av modellträning och använda underutnyttjade beräkningsresurser eller servrar som de redan har i sina datacenter. Detta kan leda till betydande kostnadsbesparingar i stora datorintensiva utbildningsprocesser.
Många organisationer är också oroade över att skapa redundanta kopior av stora datamängder. Detta kan öka höga lagringskostnader, såväl som kostnader för molnleverantörer för överföring av data mellan on-prem datacenter och molnkonton, eller mellan olika molnkonton. Federerat lärande tillåter organisationer att behålla en enda kopia av sin data och kräver inte att den flyttas till en annan plats eller molnkonto för att träna modeller med data.
En annan utmaning som kan begränsa användningen av maskininlärning är integritet och regleringsbegränsningar. Uppgifterna som används för att träna modeller kan innehålla känslig information som personligt identifierbar information (PII) eller personlig hälsoinformation (PHI). Förenat lärande gör det möjligt för organisationer att träna modeller utan att behöva dela sina data, vilket kan bidra till att mildra dessa integritets- och regulatoriska problem.
Federerat lärande används redan i flera branscher för att låsa upp kraften i större och mer varierande datauppsättningar utan att dela data. Till exempel, 2021 a Covid-beslutsstödsalgoritm utbildades med data från 20 sjukhus runt om i världen med hjälp av federerat lärande (fullständig information: detta projekt leddes av vår medgrundare och VD), och 2022 algoritm för upptäckt av hjärncancermarginal utbildades med data från 71 sjukhus runt om i världen med hjälp av. Google har använt federerad inlärning för att förutsäga nästa ord som skrivs på Googles Android-tangentbord sedan 2018 (fullständig information: innan jag var med och grundade mitt företag arbetade jag på Google och var involverad i projekt som använde federerat lärande).
Sammanfattningsvis hjälper federerad inlärning till att övervinna ett antal hinder inom maskininlärning, inklusive behovet av stora mängder data, kostnaden för beräkningsresurser och datalagring och dataöverföring, utmaningen med datahomogenitet, samt integritets- och regleringsproblem. Det gör det möjligt för organisationer att samarbeta i maskininlärningsprojekt utan att offra datasekretess, demokratisera användningen av maskininlärning och tillgång till stora varierande utbildningsdata, vilket ger mer robusta och bättre presterande modeller.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Om oss
- tillgång
- Konto
- konton
- tvärs
- Alla
- tillåter
- redan
- mängder
- och
- android
- runt
- autonom
- autonoma fordon
- blir
- innan
- Där vi får lov att vara utan att konstant prestera,
- Bättre
- mellan
- brett
- Cancer
- kan inte
- vilken
- fall
- Centers
- centralisering
- centraliserad
- VD
- utmanar
- cloud
- Medgrundare
- samarbeta
- företag
- Compute
- aktuella
- oro
- bidra
- Pris
- kostnadsbesparingar
- Kostar
- Skapa
- datum
- datacenter
- dataintegritet
- datauppsättningar
- datadeling
- datalagring
- datauppsättningar
- DATAVERSITET
- Beslutet
- demokrati
- utplacerade
- Detektering
- anordning
- olika
- avslöjande
- flera
- inte
- inte
- exempel
- dyra
- från
- full
- Allmänt
- GPUs
- hårdvara
- har
- Hälsa
- Hälsovård
- hälsoinformation
- hjälpa
- hjälp
- hjälpa
- Hög
- sjukhus
- Hur ser din drömresa ut
- HTTPS
- in
- Inklusive
- industrier
- informationen
- involverade
- fråga
- IT
- Large
- större
- leda
- ledande
- inlärning
- Led
- BEGRÄNSA
- Begränsad
- läsa in
- läge
- Maskinen
- maskininlärning
- Huvudsida
- bibehålla
- Framställning
- många
- Marginal
- Mildra
- Mobil
- mobilenhet
- modell
- modeller
- mer
- rörliga
- multipel
- Natur
- Behöver
- Nästa
- antal
- hinder
- hinder
- Olja
- beställa
- organisationer
- Övervinna
- särskilt
- parter
- prestanda
- personlig
- Personlig hälsa
- Personligen
- pii
- plato
- Platon Data Intelligence
- PlatonData
- befolkning
- kraft
- privatpolicy
- processer
- bearbetning
- projektet
- projekt
- proprietary
- leverantörer
- snabbt
- reglering
- regulatorer
- representerar
- kräver
- Resurser
- robusta
- offra
- Besparingar
- känslig
- in
- uppsättningar
- flera
- Dela
- delas
- delning
- signifikant
- eftersom
- enda
- situationer
- storlekar
- långsam
- Small
- Källor
- förvaring
- sådana
- SAMMANFATTNING
- stödja
- Smakämnen
- världen
- deras
- till
- Tåg
- tränad
- Utbildning
- överföring
- Överföra
- enheter
- låsa
- användning
- Använda
- fordon
- som
- utan
- ord
- arbetade
- arbetssätt
- världen
- vilket gav
- zephyrnet