Çevrimiçi Birleşik Öğrenme
Online Federated Learning (Sequential Distributed Learning without Centralised Data) · Ayrıca şöyle bilinir: OFL, federated online learning, streaming federated learning, real-time federated learning
Çevrimiçi Birleşik Öğrenme (OFL), birleşik öğrenmenin gizliliği koruyan, merkezi olmayan yapısını, çevrimiçi öğrenmenin sıralı, örnek bazında güncelleme rejimini birleştirir. Mobil cihazlar veya kenar sensörleri gibi istemciler, ham gözlemleri paylaşmadan yeni gelen yerel veriler üzerinde güncelledikleri küresel bir model alırlar ve bunları neredeyse gerçek zamanlı olarak toplayan merkezi bir sunucuya sıkıştırılmış güncellemeler katkıda bulunurlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verilerin doğal olarak birçok kenar cihazına veya kuruluşa dağıldığı ve yasal veya pratik olarak merkezileştirilemediği, verilerin sürekli bir akış olarak geldiği ve modelin sabit bir anlık görüntüden ziyade neredeyse gerçek zamanlı olarak uyum sağlaması gerektiği ve gizlilik, bant genişliği veya gecikme kısıtlamalarının ham verilerin yüklenmesini engellediği durumlarda Çevrimiçi Birleşik Öğrenme'yi kullanın. Tipik alanlar arasında mobil klavye tahmini, tıbbi giyilebilir cihazlar, IoT sensör ağları ve kurumlar arası finansal dolandırıcılık tespiti yer alır. Verileri serbestçe merkezleştirebildiğiniz ve kararlı, sabit bir veri kümeniz olduğunda kullanmayın — standart yığın birleşik öğrenme veya merkezileştirilmiş derin öğrenme daha basit ve ayarlanması daha kolay olacaktır. Ayrıca, cihaz popülasyonları çeşitli güncellemeler sağlayamayacak kadar küçükse veya istemciler arasında ciddi istatistiksel heterojenliği ele alma mekanizmanız yoksa OFL'den kaçının.
Güçlü yönler & sınırlılıklar
- Güçlü gizlilik garantisi: ham veriler asla orijinal cihazdan ayrılmaz, bu da birçok dağıtımda GDPR ve HIPAA kısıtlamalarını karşılar.
- Yığınla eğitilmiş modellerin bayatlamasının aksine, kavram kaymasına ve durağan olmayan ortamlara sürekli olarak uyum sağlar.
- Merkezi depolama veya toplam veriye orantılı hesaplama gerektirmeden milyonlarca heterojen kenar istemcisine ölçeklenir.
- Tam veri kümelerini yüklemeye kıyasla iletişim maliyetini azaltır: yalnızca kompakt gradyan güncellemeleri veya model farkları iletilir.
- Kenar cihazlardaki boşta kalan hesaplamayı doğal olarak kullanır, eğitim maliyetini istemci popülasyonuna dağıtır.
- Merkezi eğitimden daha zor yakınsama garantisi: istatistiksel heterojenlik (istemciler arasında gayri-IID veriler) ve sistem heterojenliği (değişen cihaz hızları) öğrenmeyi yavaşlatabilir veya istikrarsızlaştırabilir.
- İletişim programının, toplama kuralının ve öğrenme oranının dikkatli bir şekilde tasarlanmasını gerektirir; naif ayarlar istemci kaymasına veya ıraksamaya yol açar.
- Eğitim süreci opak olduğundan hata ayıklama ve izleme zordur — sunucu yerel verilere veya yerel gradyanlara tam olarak bakamaz.
- Güvenli toplama ve diferansiyel gizlilik mekanizmaları hesaplama ve iletişim ek yükü ekler.
- Değerlendirme önemsiz değildir: standart merkezileştirilmiş test kümeleri, istemciler arasında görülen heterojen dağılımı yansıtmayabilir.
SSS
Standart Birleşik Öğrenme'den Çevrimiçi Birleşik Öğrenme nasıl farklıdır?
Standart birleşik öğrenme, her istemcide önceden toplanmış sabit bir yerel veri kümesini varsayar ve bu statik veri üzerinde birden çok tur boyunca eğitir. Çevrimiçi Birleşik Öğrenme, yeni verilerin sürekli olarak geldiği ve modelin sıralı olarak güncellenmesi gereken akış ortamlarına genişletir, bu da onu durağan olmayan ortamlar ve kavram kayması için uygun hale getirir.
Resmi gizlilik garantileri sağlar mı?
Otomatik olarak değil. Temel OFL çerçevesi, ham verileri yerel tutar, bu da güçlü bir pratik gizlilik güvencesidir, ancak resmi bir diferansiyel gizlilik garantisi, iletimden önce yerel gradyanlara veya toplanan güncellemeye kalibre edilmiş gürültü eklenmesini gerektirir. Birçok üretim dağıtımı, OFL'yi güvenli toplama ve yerel diferansiyel gizlilik ile birleştirir.
İstemciler arasındaki gayri-IID veri dağılımlarını nasıl ele alırım?
Birkaç strateji mevcuttur: FedProx, yerel güncellemeleri küresel modele doğru düzenlileştiren bir proksimal terim ekler; SCAFFOLD, istemci kaymasını düzeltmek için kontrol değişkenleri kullanır; kişiselleştirilmiş birleşik öğrenme, her istemci için küresel modeli yerel olarak ince ayarlar. En iyi seçim, istemci dağılımlarının ne kadar heterojen olduğuna bağlıdır.
İstemci başına ne kadar örneklem büyüklüğü gereklidir?
Evrensel bir minimum yoktur, ancak son derece küçük yerel yığınlar (örneğin, tur başına 1–5 örnek) çok gürültülü güncellemeler üretir. Yaygın bir sezgisel yöntem, güncelleme turu başına en az 10–50 yerel örnektir. Daha fazla istemciyi toplamak, gürültülü bireysel güncellemeleri kısmen telafi eder.
Merkezi bir sunucu olmadan Çevrimiçi Birleşik Öğrenme kullanılabilir mi?
Evet — merkezi olmayan veya uçtan uca birleşik öğrenme varyantları, cihazların bir fısıltı protokolü veya halka topolojisi aracılığıyla model güncellemelerini doğrudan değiştirmesine olanak tanır, bu da merkezi sunucu darboğazını ortadan kaldırır. Bu karmaşıklık ekler ancak hata toleransını artırır ve tek bir güven noktası kaldırır.
Kaynaklar
- Damaskinos, G., Guerraoui, R., Kermarrec, A.-M., Guirguis, A., Riviere, M., & Tempo, R. (2020). FLEET: Flexible and Efficient Federated Learning for Edge AI. Proceedings of Machine Learning and Systems (MLSys). link ↗
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Aguera y Arcas, B. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), 54, 1273–1282. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/tr/machine-learning/online-federated-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Diferansiyel GizlilikGizlilik↔ karşılaştır
- Federated LearningGizlilik↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Stokastik Gradyan İnişi (SGD)Makine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır