Federated Aktif Öğrenme
Federated Active Learning (Active Learning within Federated Learning) · Ayrıca şöyle bilinir: Federated Active Learning, FAL, Active Federated Learning, distributed active learning
Federated Aktif Öğrenme, aktif öğrenmenin etiket verimliliğini, federated öğrenmenin gizlilik korumalı merkezsizleştirmesiyle birleştirir. Dağıtılmış istemcilerde paylaşılan küresel bir model eğitilir; her istemci bağımsız olarak etiketlenmemiş yerel verilerini sıralar ve yalnızca en bilgilendirici örnekler için etiket talep eder, ham veriyi tüm süreç boyunca cihazda tutar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş verinin dağıtılmış istemcilerde kıt olduğu, etiketlemenin pahalı olduğu veya alan uzmanlığı gerektirdiği ve ham verinin gizlilik, düzenleyici veya bant genişliği nedenleriyle cihazda kalması gerektiği durumlarda Federated Aktif Öğrenme kullanın — örneğin, hastaneler arasındaki tıbbi kayıtlar, mobil cihazlardaki kullanıcı verileri veya IoT sensör akışları. Özellikle istemci veri dağılımlarının heterojen (non-IID) olduğu ve etiketleme bütçelerinin küçük olduğu durumlarda güçlüdür. Tüm verilerin serbestçe merkezileştirilebildiği durumlarda (standart aktif öğrenme yeterlidir), istemcilerin kendi veri havuzlarını puanlamak için yeterli hesaplama gücüne sahip olmadığı durumlarda, etiket gürültüsünün yüksek olduğu durumlarda (belirsizlik örneklemesi gürültülü etiketleri sömürebilir) veya etiketleme turları arasındaki gecikmenin bağlayıcı bir kısıtlama olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Ham örnekleri cihazda tutarak ve yalnızca model güncellemelerini paylaşarak veri gizliliğini korur.
- Her turda yalnızca en bilgilendirici örnekleri sorgulayarak etiketleme maliyetini önemli ölçüde azaltır.
- Merkezi bir aktif öğrenme programını yanıltacak heterojen istemci dağılımlarını ele alır.
- Yatay olarak ölçeklenir — daha fazla istemci genellikle etiketlenmemiş uzayın kapsamını iyileştirir.
- Daha güçlü gizlilik garantileri için diferansiyel gizlilik ve güvenli toplama ile uyumludur.
- Tur başına iletişim yükü, sorgu seçimlerini bildiren istemci sayısıyla çarpılır.
- İstemci dağılımlarının non-IID olması, aktif öğrenme seçiminin küresel kayıp fonksiyonunun yerel minimumlarına doğru yanlı olmasına neden olabilir.
- Dağıtılmış istemciler arasında etiketleme turlarını senkronize etmek gecikme ve koordinasyon karmaşıklığı yaratır.
- Merkezi bir etiketlenmiş test kümesi olmadan model performansını değerlendirmek daha zordur.
- İstemciler arasındaki etiketleme bütçesi tahsisi, küçük veya azınlık istemcilerini aç bırakmaktan kaçınmak için dikkatli bir şekilde ayarlanmalıdır.
SSS
Federated Aktif Öğrenme, standart Federated Öğrenme'den nasıl farklıdır?
Standart Federated Öğrenme yalnızca istemcilerin zaten sahip olduğu etiketli veriler üzerinde eğitilir. Federated Aktif Öğrenme, aktif bir sorgulama adımı ekler: her istemci kendi etiketlenmemiş veri havuzunu puanlar ve en bilgilendirici örnekleri etiketlenmek üzere seçer, bu da küresel modelin çok daha az toplam etiketle gelişmesini sağlar.
Yerel puanlama için hangi edinme fonksiyonunu kullanmalıyım?
Entropi örneklemesi (en yüksek tahmin entropisine sahip örnekleri seçme), makul derecede kalibre edilmiş yerel modelin olduğu durumlarda iyi çalışan en yaygın başlangıç noktasıdır. Marj örneklemesi ve BALD (Belirsizliğe Göre Bayes Aktif Öğrenme), federasyon genelinde belirsizlik kalibrasyonunun bir endişe olduğu durumlarda iyi alternatiflerdir.
Federated Aktif Öğrenme diferansiyel gizlilik ile birleştirilebilir mi?
Evet. DP-SGD gibi diferansiyel gizlilik mekanizmaları yerel eğitim sırasında uygulanabilir ve sunucu tarafında güvenli toplama kullanılabilir. Gizlilik bütçesi hem model güncellemelerini hem de sorgulama için hangi örneklerin seçildiğine dair herhangi bir meta veriyi hesaba katmalıdır.
İstemcilerin çok farklı miktarlarda etiketlenmemiş veriye sahip olması durumunda ne olur?
Büyük etiketlenmemiş veri havuzlarına sahip istemciler, her biri eşit mutlak kota alırsa sorgu bütçesine hakim olacaktır. Orantılı veya uyarlanabilir bütçe tahsisi — her istemcinin etiketleme bütçesini havuzunun boyutuna veya tahmin edilen bilgilendiriciliğine göre ölçeklendirme — bu dengesizliği azaltır.
Aktif sorgulama yardımcı olmadan önce tipik olarak kaç federasyon turu gereklidir?
İlk model kalitesine bağlıdır. Aktif sorgulamayı açmadan önce belirsizlik tahminlerinin kalibrasyonunu iyileştirmek için mevcut etiketli verilerle en az birkaç tur standart federasyon eğitimi ile başlamak gerekir. Rastgele bir başlangıç modeliyle soğuk başlangıç sorgulaması, etiketleme bütçesini bilgilendirici olmayan örneklere harcayabilir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Federated Active Learning (Active Learning within Federated Learning). ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-federated-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Federated LearningGizlilik↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır