Federated Learning
Ayrıca şöyle bilinir: Collaborative Learning, Decentralized Learning, FedAvg, Federe Öğrenme
Federated Learning, McMahan ve diğerleri tarafından 2017'de tanıtılan dağıtık bir makine öğrenmesi paradigmasıdır; bu paradigmada, ham veriler asla merkezi bir sunucuya aktarılmadan, birden çok merkezi olmayan istemci (mobil cihazlar veya hastane sistemleri gibi) üzerinde işbirlikçi bir şekilde küresel bir model eğitilir. Her katılımcı, kendi özel verilerini kullanarak modeli yerel olarak günceller; yalnızca bu güncellemeler, temel veriler değil, paylaşılan modeli iyileştirmek için sunucu tarafından iletilir ve toplanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Veri gizlilik düzenlemeleri, veri sahipliği kısıtlamaları veya iletişim maliyetleri nedeniyle merkezi hale getirilemeyen ve istemciler arasında dağıtılmış eğitim verileri olduğunda Federated Learning'i kullanın – örneğin, mobil klavyeler, hastaneler arasında tıbbi görüntüleme veya IoT sensör ağları. Temel varsayımlar, istemci başına yeterli yerel veri ve tüm katılımcılar arasında paylaşılan bir görev içerir. İstemci veri dağılımlarının oldukça heterojen (non-IID) olduğu, iletişim bant genişliğinin ciddi şekilde sınırlı olduğu veya veri yerelliği dışındaki güçlü resmi gizlilik garantilerinin gerekli olduğu durumlarda daha az uygundur (bu durumda diferansiyel gizlilik ile birleştirmeyi düşünün).
Güçlü yönler & sınırlılıklar
- Verilerin istemci cihazından veya kurumundan asla ayrılmamasıyla tasarıma göre veri gizliliğini korur.
- Depolamayı merkezileştirmeden milyonlarca heterojen uç cihaza ölçeklenir.
- Yalnızca model güncellemeleri, veri kümeleri değil, iletildiği için veri aktarım maliyetlerini azaltır.
- Yasal olarak kısıtlanmış hassas alanlardan (sağlık, finans) öğrenmeyi sağlar.
- İstemci veri dağılımları oldukça non-IID olduğunda yakınsama yavaş ve kararsız olabilir.
- Birçok tur boyunca iletişim yükü, düşük bant genişliğine sahip ağlarda önemli olabilir.
- Model güncellemeleri, gradyan tersine mühendislik veya üyelik çıkarımı saldırıları yoluyla yerel veriler hakkında bilgi sızdırabilir.
- Geciken ve düşen istemciler senkronize toplamayı karmaşıklaştırır ve küresel modeli yanlı hale getirebilir.
SSS
Federated Learning tam gizliliği garanti eder mi?
Tek başına değil. Ham veriler istemci cihazlarından ayrılmasa da, model güncellemeleri (gradyanlar) gradyan tersine mühendislik veya üyelik çıkarımı saldırıları yoluyla bilgi sızdırabilir. Federated learning'i diferansiyel gizlilik gürültü eklemesi ve güvenli toplama protokolleri ile birleştirmek gizlilik garantilerini önemli ölçüde güçlendirir, ancak her katman kendi doğruluk veya iletişim ödünleşimlerini ekler.
Federated Learning, istemciler arasındaki non-IID verileri nasıl ele alır?
Standart FedAvg, istemci veri dağılımları birbirinden keskin bir şekilde farklılaştığında – istemci kayması olarak adlandırılan bir olgu – sapabilir. Çözümler arasında yerel yığın boyutlarını artırmak, yerel epokları azaltmak, kişiselleştirilmiş federated learning varyantları (FedProx veya SCAFFOLD gibi) uygulamak veya sunucu tarafı momentum kullanmak yer alır. Ciddiyeti, istemciler arasındaki istatistiksel heterojenliğin derecesine bağlıdır.
Yakınsama için tipik olarak kaç istemci ve tur gereklidir?
McMahan ve diğerleri, her turda örneklenen küçük bir istemci kesriyle bile (örneğin, 100'den 10'u), FedAvg'ın standart görevler için on ila yüz tur içinde yakınsadığını gösterdi. Pratikte sayı, istemci başına veri kümesi boyutuna, non-IID'nin derecesine, öğrenme oranına ve toplama öncesinde gerçekleştirilen yerel gradyan adımlarının sayısına bağlıdır.
Kaynaklar
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. Artificial Intelligence and Statistics, 1273–1282. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/tr/privacy/federated-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Diferansiyel GizlilikGizlilik↔ karşılaştır
- Bilgi DamıtmaDerin öğrenme↔ karşılaştır
- Stokastik Gradyan İnişi (SGD)Makine öğrenmesi↔ karşılaştır