Federated learning (original) (raw)
En intelligence artificielle et en apprentissage machine, l'apprentissage fédéré (en anglais : federated learning) est une méthode ou un paradigme qui consiste à entraîner un algorithme sur la machine des utilisateurs d'une application et à partager les apprentissages réalisés sur la machine de chaque utilisateur. Cette méthode s'oppose à l'apprentissage centralisé où l'apprentissage se fait sur les serveurs du fournisseur de service. Elle permet notamment un meilleur respect de la vie privée des utilisateurs, même si ce dernier point peut être remis en question.
| Property | Value |
|---|---|
| dbo:abstract | Föderales Lernen beschreibt eine Technik im Bereich des maschinellen Lernens, bei der ein Modell auf mehreren Geräten trainiert wird. Jedes teilnehmende Gerät verfügt über einen eigenen lokalen Datensatz, der nicht mit anderen Teilnehmern ausgetauscht wird. Im Gegensatz dazu gibt es beim herkömmlichen maschinellen Lernen einen zentralen Datensatz. Durch diese Technik bauen mehrere Teilnehmer ein gemeinsames robustes Modell unter Berücksichtigung kritischer Probleme wie Datenschutz, Datensicherheit, Zugriffsrechte und Zugang zu heterogenen Daten auf. Die Technik wird in vielen Bereichen wie in der Verteidigung, der Telekommunikation, dem Internet der Dinge und dem Gesundheitswesen angewandt. (de) Federated learning (also known as collaborative learning) is a machine learning technique that trains an algorithm across multiple decentralized edge devices or servers holding local data samples, without exchanging them. This approach stands in contrast to traditional centralized machine learning techniques where all the local datasets are uploaded to one server, as well as to more classical decentralized approaches which often assume that local data samples are identically distributed. Federated learning enables multiple actors to build a common, robust machine learning model without sharing data, thus allowing to address critical issues such as data privacy, data security, data access rights and access to heterogeneous data. Its applications are spread over a number of industries including defense, telecommunications, IoT, and pharmaceutics. A major open question at the moment is how inferior models learned through federated data are relative to ones where the data are pooled. Another open question concerns the trustworthiness of the edge devices and the impact of malicious actors on the learned model. (en) En intelligence artificielle et en apprentissage machine, l'apprentissage fédéré (en anglais : federated learning) est une méthode ou un paradigme qui consiste à entraîner un algorithme sur la machine des utilisateurs d'une application et à partager les apprentissages réalisés sur la machine de chaque utilisateur. Cette méthode s'oppose à l'apprentissage centralisé où l'apprentissage se fait sur les serveurs du fournisseur de service. Elle permet notamment un meilleur respect de la vie privée des utilisateurs, même si ce dernier point peut être remis en question. (fr) El aprendizaje federado (también llamado aprendizaje colaborativo) es una técnica deaprendizaje automático que entrena un algoritmo a través de una arquitectura descentralizada formada por múltiples dispositivos los cuales contienen sus propios datos locales y privados. Creado por Google en el año 2017, este enfoque contrasta con las técnicas tradicionales de aprendizaje automático centralizado y de enfoques descentralizados más clásicos, en las que todos los conjuntos de datos se cargan en un servidor de manera idéntica a como están almacenados en local. Gracias a esto se conserva la integridad de la información que está siendo utilizada para el aprendizaje sin poner en peligro la privacidad y seguridad. El aprendizaje federado es una herramienta muy potente en el sector médico, defensa, telecomunicaciones, IoT o farmacia entre muchos otros campos. (es) L'apprendimento federato (noto anche come apprendimento collaborativo) è una tecnica di apprendimento automatico che permette di addestrare un algoritmo attraverso l'utilizzo di dispositivi decentralizzati o server che mantengono i dati, senza la necessità di scambiare i dati stessi. Questo approccio si oppone alle tradizionali tecniche di apprendimento automatico centralizzate dove i dati vengono caricati su un server, o ai più tradizionali metodi decentralizzati che assumono che i dati locali sono distribuiti in modo identico. L’apprendimento federato permette ai diversi partecipanti di costruire un modello per l’apprendimento automatico comune e robusto, senza lo scambio di qualsiasi dato. L'utilizzo di questa tecnica consente di affrontare problemi critici come la protezione, la sicurezza, e i diritti di accesso ai dati e l’impiego di dati eterogenei. Le principali applicazioni dell’apprendimento federato comprendono vari campi come la difesa, le telecomunicazioni, l’IoT e la farmaceutica. (it) Federerad inlärning (engelska: federated learning) är en maskininlärningsteknik som tränar en algoritm över flera decentraliserade enheter eller servrar som innehåller lokala data utan att utbyta dem . Detta tillvägagångssätt står i kontrast till traditionella centraliserade maskininlärningstekniker där alla lokala datauppsättningar laddas upp till en server, såväl som till mer klassiska decentraliserade tillvägagångssätt som ofta antar att lokala data är identiskt fördelade. Federerad inlärning gör det möjligt för flera aktörer att bygga en gemensam, robust maskininlärningsmodell utan att dela data, vilket gör det möjligt att hantera kritiska frågor som datasekretess, datasäkerhet, dataåtkomsträttigheter och tillgång till heterogen data. Dess applikationer är spridda över ett antal industrier inklusive försvar, telekommunikation, IoT och läkemedel. (sv) 联邦学习是一种机器学习技术，具體來說就是人們在多个擁有本地数据样本的分散式边缘设备或服务器上训练算法。这种方法与传统的集中式机器学习技术有顯著不同，传统的集中式机器学习技术将所有的本地数据集上传到一个服务器上，而更经典的分散式方法则通常假设本地数据样本都是相同分布的。 联合平均 (FedAvg) 是 FedSGD 的泛化，允许本地节点对本地数据进行多次批量更新，并交换更新的权重而不是梯度。此外，对来自相同初始化的调整权重进行平均并不一定会损害所得平均模型的性能。尽管它很简单，但它在现实环境中缺乏理论保证。 传统的联邦学习是基于每个worker设备（节点）的梯度下降：在每一轮中，每个worker通过其本地数据集在本地多次更新其梯度下降权重，然后中央节点聚合器对权重进行平均所有工人，并再次分配给工人。对多轮重复上述过程。这种方法的主要缺点是效率低。众所周知，由于频繁的梯度传输导致的高通信开销会减慢 FL。为了减轻通信开销，已经研究了两种主要技术：（i）表征通信和计算之间权衡的权重的本地更新和（ii）表征通信和精度之间权衡的梯度压缩。. (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Federated_learning_process_central_case.png?width=300 |
| dbo:wikiPageExternalLink | http://assisted-learning.org/ https://ico.org.uk/about-the-ico/news-and-events/ai-blog-data-minimisation-and-privacy-preserving-techniques-in-ai-systems/ https://eya.global/case-studies/realising-the-potential-of-data-whilst-reserving-privacy-with-eya-and https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/%3Furi=CELEX:32016R0679 |
| dbo:wikiPageID | 60992857 (xsd:integer) |
| dbo:wikiPageLength | 49140 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1124905702 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Privacy dbr:Encryption dbr:Natural_language_processing dbr:Neural_network dbr:Joint_probability_distribution dbr:Deep_learning dbr:Interoperability dbr:Network_topology dbr:General_Data_Protection_Regulation dbr:Gossip_protocol dbr:Gradient_descent dbr:Multi-task_learning dbr:Consensus_(computer_science) dbr:Labeled_data dbr:Batch_normalization dbr:Machine_learning dbr:Smartphone dbr:Cluster_analysis dbr:Communication_channel dbr:Computer_vision dbr:Feature_(machine_learning) dbr:Pattern_recognition dbr:Peer-to-peer dbc:Machine_learning dbr:Data dbr:Data_center dbr:Wi-Fi dbr:Linear_regression dbc:Multi-agent_systems dbr:Bandwidth_(computing) dbr:Stochastic_gradient_descent dbr:Internet_of_things dbr:Backdoor_(computing) dbc:Distributed_algorithms dbr:Homogeneity_and_heterogeneity dbr:Homomorphic_encryption dbr:Boosting_(machine_learning) dbr:Independent_and_identically_distributed_random_variables dbr:Industry_4.0 dbr:Self-driving_car dbr:Master/slave_(technology) dbr:Server_(computing) dbr:Overfitting dbr:Parameters_(computer_science) dbr:Computing_power dbr:File:Federated_learning_process_central_case.png |
| dbp:wikiPageUsesTemplate | dbt:Citation_needed dbt:Fraction dbt:Math dbt:Reflist dbt:Short_description |
| dct:subject | dbc:Machine_learning dbc:Multi-agent_systems dbc:Distributed_algorithms |
| rdfs:comment | En intelligence artificielle et en apprentissage machine, l'apprentissage fédéré (en anglais : federated learning) est une méthode ou un paradigme qui consiste à entraîner un algorithme sur la machine des utilisateurs d'une application et à partager les apprentissages réalisés sur la machine de chaque utilisateur. Cette méthode s'oppose à l'apprentissage centralisé où l'apprentissage se fait sur les serveurs du fournisseur de service. Elle permet notamment un meilleur respect de la vie privée des utilisateurs, même si ce dernier point peut être remis en question. (fr) 联邦学习是一种机器学习技术，具體來說就是人們在多个擁有本地数据样本的分散式边缘设备或服务器上训练算法。这种方法与传统的集中式机器学习技术有顯著不同，传统的集中式机器学习技术将所有的本地数据集上传到一个服务器上，而更经典的分散式方法则通常假设本地数据样本都是相同分布的。 联合平均 (FedAvg) 是 FedSGD 的泛化，允许本地节点对本地数据进行多次批量更新，并交换更新的权重而不是梯度。此外，对来自相同初始化的调整权重进行平均并不一定会损害所得平均模型的性能。尽管它很简单，但它在现实环境中缺乏理论保证。 传统的联邦学习是基于每个worker设备（节点）的梯度下降：在每一轮中，每个worker通过其本地数据集在本地多次更新其梯度下降权重，然后中央节点聚合器对权重进行平均所有工人，并再次分配给工人。对多轮重复上述过程。这种方法的主要缺点是效率低。众所周知，由于频繁的梯度传输导致的高通信开销会减慢 FL。为了减轻通信开销，已经研究了两种主要技术：（i）表征通信和计算之间权衡的权重的本地更新和（ii）表征通信和精度之间权衡的梯度压缩。. (zh) Föderales Lernen beschreibt eine Technik im Bereich des maschinellen Lernens, bei der ein Modell auf mehreren Geräten trainiert wird. Jedes teilnehmende Gerät verfügt über einen eigenen lokalen Datensatz, der nicht mit anderen Teilnehmern ausgetauscht wird. Im Gegensatz dazu gibt es beim herkömmlichen maschinellen Lernen einen zentralen Datensatz. (de) Federated learning (also known as collaborative learning) is a machine learning technique that trains an algorithm across multiple decentralized edge devices or servers holding local data samples, without exchanging them. This approach stands in contrast to traditional centralized machine learning techniques where all the local datasets are uploaded to one server, as well as to more classical decentralized approaches which often assume that local data samples are identically distributed. (en) El aprendizaje federado (también llamado aprendizaje colaborativo) es una técnica deaprendizaje automático que entrena un algoritmo a través de una arquitectura descentralizada formada por múltiples dispositivos los cuales contienen sus propios datos locales y privados. Creado por Google en el año 2017, este enfoque contrasta con las técnicas tradicionales de aprendizaje automático centralizado y de enfoques descentralizados más clásicos, en las que todos los conjuntos de datos se cargan en un servidor de manera idéntica a como están almacenados en local. Gracias a esto se conserva la integridad de la información que está siendo utilizada para el aprendizaje sin poner en peligro la privacidad y seguridad. (es) L'apprendimento federato (noto anche come apprendimento collaborativo) è una tecnica di apprendimento automatico che permette di addestrare un algoritmo attraverso l'utilizzo di dispositivi decentralizzati o server che mantengono i dati, senza la necessità di scambiare i dati stessi. Questo approccio si oppone alle tradizionali tecniche di apprendimento automatico centralizzate dove i dati vengono caricati su un server, o ai più tradizionali metodi decentralizzati che assumono che i dati locali sono distribuiti in modo identico. (it) Federerad inlärning (engelska: federated learning) är en maskininlärningsteknik som tränar en algoritm över flera decentraliserade enheter eller servrar som innehåller lokala data utan att utbyta dem . Detta tillvägagångssätt står i kontrast till traditionella centraliserade maskininlärningstekniker där alla lokala datauppsättningar laddas upp till en server, såväl som till mer klassiska decentraliserade tillvägagångssätt som ofta antar att lokala data är identiskt fördelade. (sv) |
| rdfs:label | Föderales Lernen (de) Aprendizaje federado (es) Apprentissage fédéré (fr) Federated learning (en) Apprendimento federato (it) Federerad inlärning (sv) 聯邦學習 (zh) |
| owl:sameAs | wikidata:Federated learning dbpedia-de:Federated learning dbpedia-es:Federated learning dbpedia-fa:Federated learning dbpedia-fr:Federated learning dbpedia-it:Federated learning dbpedia-sv:Federated learning dbpedia-zh:Federated learning https://global.dbpedia.org/id/6xgdj |
| prov:wasDerivedFrom | wikipedia-en:Federated_learning?oldid=1124905702&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Federated_learning_process_central_case.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Federated_learning |
| is dbo:wikiPageDisambiguates of | dbr:Federated |
| is dbo:wikiPageRedirects of | dbr:Federated_stochastic_gradient_descent |
| is dbo:wikiPageWikiLink of | dbr:Glossary_of_artificial_intelligence dbr:Google_Health dbr:Federated_Learning_of_Cohorts dbr:Privacy-enhancing_technologies dbr:Distributed_artificial_intelligence dbr:Federated_stochastic_gradient_descent dbr:Federated dbr:AI_for_Good dbr:Adversarial_machine_learning dbr:Jean-Pierre_Hubaux dbr:ITU-T_Study_Group_16 dbr:ITU-T_Study_Group_17 dbr:Peter_Richtarik dbr:Trustworthy_AI |
| is foaf:primaryTopic of | wikipedia-en:Federated_learning |
