Topluluk Federe Öğrenme
Ensemble Federated Learning (Federated Ensemble Aggregation) · Ayrıca şöyle bilinir: federated ensemble learning, EFL, federated model ensembling, federated multi-model aggregation
Topluluk Federe Öğrenme, federe öğrenmenin gizlilik koruyucu dağıtımını topluluk toplama ile birleştirir: katılan her istemci özel veriler üzerinde kendi yerel modelini eğitir ve sunucu, yalnızca basit parametre ortalaması yerine oylama, ortalama alma veya istifleme gibi topluluk stratejileri kullanarak tüm istemcilerden gelen tahminleri veya model parametrelerini toplar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gizlilik, düzenleyici veya sahiplik kısıtlamaları nedeniyle verilerin merkezileştirilemediği ve yerel veri dağılımlarının istemciler arasında önemli ölçüde farklılık gösterdiği (IID olmayan ayar) ve basit parametre ortalamasının (FedAvg) yetersiz kaldığı durumlarda Topluluk Federe Öğrenme'yi kullanın. Özellikle heterojen istemcilere ve orta sayıda katılan düğüme (5-100) sahip sağlık, finans ve IoT alanları için uygundur. Tüm verilerin serbestçe havuzlanabildiği (standart bir topluluk daha basit ve daha hızlıdır), istemci sayısının model çıktılarının toplanmasını pratik olmayan kadar büyük olduğu veya iletişim bant genişliğinin son derece sınırlı olduğu ve tam model çıktılarının iletilmesinin yasak olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tüm eğitim verilerini her zaman yerel istemcilerde tutarak ham veri gizliliğini korur.
- Yerel modeller tek bir küresel parametre kümesine ortalanmadığı için IID olmayan verileri FedAvg'den daha iyi işler.
- Topluluk toplama, tek model federe öğrenmeye kıyasla genelleştirmeyi ve sağlamlığı iyileştirir.
- Heterojen istemci mimarileriyle uyumludur — farklı istemciler farklı model türleri kullanabilir.
- Topluluk, daha az modelle devam edebildiği için tek istemci hatasına veya düşmesine karşı doğal olarak dirençlidir.
- İletişim maliyeti, özellikle tahminler yerine tam model parametreleri iletilirken, istemci sayısıyla birlikte artar.
- Etkili bir topluluk toplama kuralı (ağırlıklar, meta-öğrenici) tasarlamak, sunucuda paylaşılan bir doğrulama kümesi gerektirir, bu her zaman mevcut olmayabilir.
- Düşük kaliteli veya çok küçük yerel veri kümelerine sahip istemciler, ağırlıkları düşürülmezse topluluk kalitesini düşürebilir.
- Standart federe ortalamadan daha karmaşık uygulamak ve denetlemek.
SSS
Topluluk Federe Öğrenme, FedAvg'den nasıl farklıdır?
FedAvg, model ağırlıklarını istemciler arasında tek bir küresel modele ortalar. Topluluk Federe Öğrenme, her istemcinin modelini ayrı tutar ve çıkarım zamanında tahminlerini veya çıktılarını toplar, yerel uzmanlığı korur ve IID olmayan performansı iyileştirir.
Model çıktılarının iletilmesi gizliliği ihlal eder mi?
Ham veriler yerine tahminlerin iletilmesi sızıntıyı önemli ölçüde azaltır, ancak mükemmel bir şekilde özel değildir. Güçlü gizlilik garantileri için, Topluluk Federe Öğrenme'yi diferansiyel gizlilik gürültü enjeksiyonu veya güvenli toplama protokolleri ile birleştirin.
Hangi toplama kuralını kullanmalıyım?
Sınıflandırma için, istemci ağırlıkları yerel doğrulama doğruluğuyla orantılı olan yumuşak oylama yaygın bir varsayılan değerdir. Regresyon için ağırlıklı ortalama alma iyi çalışır. Sunucuda paylaşılan bir doğrulama kümesi mevcutsa, hafif bir istifleme meta-öğrenicisi genellikle sabit ağırlıklı kurallardan daha iyi performans gösterir.
Kaç istemciye ihtiyaç vardır?
Topluluk faydaları genellikle beş veya daha fazla istemcide anlamlı hale gelir. Çok büyük ölçekli federasyonlar (binlerce istemci) genellikle tam topluluk toplama yerine federe damıtma gibi iletişim açısından verimli yaklaşımları tercih eder.
İstemciler farklı model türleri kullanabilir mi?
Evet. Toplama, parametre düzeyinde değil, tahmin düzeyinde gerçekleştiği için, farklı istemciler aynı anda yapay sinir ağları, gradyan artırıcılar veya doğrusal modeller kullanabilir, bu da yöntemi heterojen ortamlar için uygun hale getirir.
Kaynaklar
- McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 54, 1273–1282. link ↗
- Chen, Y., Qin, X., Wang, J., Yu, C., & Gao, W. (2021). FedHealth: A federated transfer learning framework for wearable healthcare. IEEE Intelligent Systems, 35(4), 83–93. DOI: 10.1109/MIS.2020.2988604 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-federated-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Federated LearningGizlilik↔ karşılaştır
- Yığma (Stacking)Makine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır