Naslov
Federalno učenje u ugradbenim sustavima
(Federated Learning in Embedded Systems)

Autori
Premužić, Ivan

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
15.07

Godina
2021

Stranica
77

Mentor
Čavrak, Igor

Ključne riječi
Kolaborativno učenje ; Distribuirano učenje, Federalno učenje ; Duboko učenje ; Flower ; Internet stvari ; Računarstvo na rubu
(Collaborative learning, Distributed learning, Federated learning ; Deep learning ; Flower ; Internet of things ; Edge computing)

Sažetak
Federalnog učenje je kolaborativna, distribuirana metoda za učenje globalnog dijeljenog modela. Koristi računalne mogućnosti krajnjih uređaja (pametni telefoni, uređaji u ugradbenim sustavima, internetu stvari, računarstvu na rubu itd.) za obavljanje procesa strojnog učenja, pri čemu se za treniranje koriste lokalni podaci. Svaki krajnji uređaj (klijentski čvor) trenira lokalni model nad svojim podacima, a centralni čvor kreira globalni model na temelju lokalnih modela. Lokalni podaci svakog klijenta, koji su često privatni, nikada se ne dijele s nekom trećom stranom i na taj način je sačuvana privatnost klijenta. Kako bi se olakšalo istraživanje federalnog učenja razvijeni su programski okviri za federalno učenje, a jedan od njih je Flower. U ovom radu proučeno je područje federalnog učenja, te programski okvir Flower i njegove karakteristike i prednosti u odnosu na slične programske okvire. Implementiran je sustav za stvaranje zajedničkog modela temeljen na programskom okviru Flower, te su ispitane performanse sustava s obzirom na dostignuti kvalitetu zajedničkog globalnog modela i modela dobivenog metodom klasičnog centralnog strojnog učenja.

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo

POVEZANOST RADA