Continual federated machine learning under concept drift
Por favor, use este identificador para citas ou ligazóns a este ítem:
http://hdl.handle.net/10347/29796
Ficheiros no ítem
Metadatos do ítem
Título: | Continual federated machine learning under concept drift |
Autor/a: | Estévez Casado, Fernando |
Dirección/Titoría: | Iglesias Rodríguez, Roberto Barro Ameneiro, Senén |
Centro/Departamento: | Universidade de Santiago de Compostela. Escola de Doutoramento Internacional (EDIUS) Universidade de Santiago de Compostela. Programa de Doutoramento en Investigación en Tecnoloxías da Información |
Palabras chave: | federated learning | continual learning | machine learning | concept drift | |
Data: | 2022 |
Resumo: | A aprendizaxe federada é un paradigma de aprendizaxe automática que permite adestrar modelos de maneira distribuída, entre múltiples dispositivos, sen poñer en riscos a privacidade dos usuarios. O obxectivo desta tese é o de desenvolver novas estratexias de aprendizaxe federada que, mantendo tódalas vantaxes que esta tecnoloxía xa proporciona, permitan tamén lidar con escenarios continuos, en situacións non estacionarias suxeitas a derivas de concepto. As dúas contribucións máis importantes da tese son o método Concept-Drift-Aware Federated Averaging (CDA-FedAvg) e a arquitectura Ensemble and Continual Federated Learning (ECFL). Por unha banda, CDA-FedAvg permite o adestramento de redes neuronais profundas de maneira federada e ao longo do tempo, sendo ademáis capaz de detectar derivas de concepto e adaptarse a elas. Por outra banda, ECFL propón que o modelo federado sexa un comité, de xeito que estea composto de múltiples modelos locais independentes, un por cliente. Isto permite levar a cabo o adestramento federado sen restricións sobre o tipo de algoritmo de aprendizaxe a empregar, o que lle outorga á nosa proposta certa vantaxe en canto a simplicidade, flexibilidade e robustez. ECFL tamén está deseñada para aprender ao longo do tempo. Ademais, ao longo da tese avaliamos as nosas propostas teóricas en distintos casos de uso, incluíndo o recoñecemento da actividade humana en smartphones e a asistencia a usuarios en cadeiras de rodas robóticas. |
Data de Embargo: | 2023-11-18 |
URI: | http://hdl.handle.net/10347/29796 |
Dereitos: | Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
Coleccións
O ítem ten asociados os seguintes ficheiros de licenza: