Summarize this content to 400 words in Persian Lang
Flower چارچوبی برای انجام کارهای آموزشی یادگیری ماشینی توزیع شده به روشی است که حفظ حریم خصوصی را افزایش می دهد.
بنا به دلایلی، اگر همه داده‌ها را نمی‌توان به اشتراک گذاشت، باید یک مدل را به روشی توزیع‌شده آموزش دهید بدون اینکه نیازی به جمع‌آوری تمام داده‌ها به صورت مرکزی باشد. به جای انتقال داده ها به فرآیند آموزش، می توانید آموزش را به داده ها در مراکز مختلف منتقل کنید، سپس می توانید تمام پارامترهای مدل را جمع آوری کنید و آن را متمرکز کنید، نه خود داده های خام. به این ترتیب شما می توانید از تمام داده ها در تمام بیمارستان ها بدون نیاز به داده های خام برای خروج از هر مکانی بهره مند شوید.
چرا FL
داده ها به طور طبیعی توزیع می شوند، به عنوان مثال در دولت ها داده ها در بسیاری از دولت ها توزیع می شود. داده‌ها ممکن است حساس باشند، حجم داده‌ها ممکن است خیلی زیاد باشد، مقررات مربوط به داده‌ها، عملی بودن داده‌ها.
هنگامی که یک مدل بدون انواع داده خاص آموزش داده می شود، نه تنها سناریو را به درستی پیش بینی نمی کند، بلکه آن را به اشتباه پیش بینی می کند که ممکن است مضر باشد.متمرکز کردن داده ها غیرممکن است، مقدار زیادی از داده ها استفاده نمی شوند زیرا حساس هستند.
یک سیستم تیونینگ فدرال چگونه کار می کند
معماری؛ مدل جهانی => سرور => مشتریان.سرور معمولاً داده ای وجود ندارد، اما می تواند داده های آزمایشی برای بررسی مدل های جهانی وجود داشته باشد
مدل global پارامتر اولیه را به سرور ارسال می کند که آن را به همه مشتریان ارسال می کند.نقش سرور هماهنگ کردن آموزش روی مشتریان است.
الگوریتم FL
مقداردهی اولیه: سرور مدل جهانی را مقداردهی اولیه می کند.
دور ارتباطی:برای هر دور ارتباطی
سرور مدل جهانی را برای مشتریان شرکت کننده ارسال می کند
هر مشتری مدل جهانی را دریافت می کند.
آموزش مشتری و به روز رسانی مدل:برای هر شرکت کننده، مشتری روی داده های محلی آموزش می دهد، مشتری مدل به روز شده محلی خود را به سرور می فرستد.
تجمیع مدلسرور مدل های دریافتی از همه مشتریان را با استفاده از الگوریتم تجمیع جمع می کند (برای fedAvg [strategy])
بررسی همگراییاگر معیارهای همگرایی برآورده شود، آنگاه به این روند پایان می دهیم وگرنه دوباره پیش می رویم.
یادگیری فدرال فرآیندی تکراری است، مشتریان مدل را آموزش می‌دهند و سرور به‌روزرسانی‌های مدل را جمع‌آوری می‌کند.
نحوه تنظیم یک سیستم فدرال
[entire chapter was for configuring the server and client, the hyper parameters you can pass to the flower framework.]یک روش معمول برای تجمیع مدل، میانگین وزن ها است.
حریم خصوصی داده ها در یادگیری فدرال چیست؟
حریم خصوصی دیفرانسیل؟اضافه کردن نویز جزئی به یک مجموعه داده حساس که به طور بالقوه می تواند در مجموعه داده باشد.
- Flower چارچوبی برای انجام کارهای آموزشی یادگیری ماشینی توزیع شده به روشی است که حفظ حریم خصوصی را افزایش می دهد.
- بنا به دلایلی، اگر همه داده‌ها را نمی‌توان به اشتراک گذاشت، باید یک مدل را به روشی توزیع‌شده آموزش دهید بدون اینکه نیازی به جمع‌آوری تمام داده‌ها به صورت مرکزی باشد. به جای انتقال داده ها به فرآیند آموزش، می توانید آموزش را به داده ها در مراکز مختلف منتقل کنید، سپس می توانید تمام پارامترهای مدل را جمع آوری کنید و آن را متمرکز کنید، نه خود داده های خام. به این ترتیب شما می توانید از تمام داده ها در تمام بیمارستان ها بدون نیاز به داده های خام برای خروج از هر مکانی بهره مند شوید.
چرا FL
داده ها به طور طبیعی توزیع می شوند، به عنوان مثال در دولت ها داده ها در بسیاری از دولت ها توزیع می شود. داده‌ها ممکن است حساس باشند، حجم داده‌ها ممکن است خیلی زیاد باشد، مقررات مربوط به داده‌ها، عملی بودن داده‌ها.
هنگامی که یک مدل بدون انواع داده خاص آموزش داده می شود، نه تنها سناریو را به درستی پیش بینی نمی کند، بلکه آن را به اشتباه پیش بینی می کند که ممکن است مضر باشد.
متمرکز کردن داده ها غیرممکن است، مقدار زیادی از داده ها استفاده نمی شوند زیرا حساس هستند.
یک سیستم تیونینگ فدرال چگونه کار می کند
معماری؛ مدل جهانی => سرور => مشتریان.
سرور معمولاً داده ای وجود ندارد، اما می تواند داده های آزمایشی برای بررسی مدل های جهانی وجود داشته باشد
مدل global پارامتر اولیه را به سرور ارسال می کند که آن را به همه مشتریان ارسال می کند.
نقش سرور هماهنگ کردن آموزش روی مشتریان است.
الگوریتم FL
-
مقداردهی اولیه:
سرور مدل جهانی را مقداردهی اولیه می کند. -
دور ارتباطی:
برای هر دور ارتباطی -
سرور مدل جهانی را برای مشتریان شرکت کننده ارسال می کند
-
هر مشتری مدل جهانی را دریافت می کند.
-
آموزش مشتری و به روز رسانی مدل:
برای هر شرکت کننده، مشتری روی داده های محلی آموزش می دهد، مشتری مدل به روز شده محلی خود را به سرور می فرستد. -
تجمیع مدل
سرور مدل های دریافتی از همه مشتریان را با استفاده از الگوریتم تجمیع جمع می کند (برای fedAvg [strategy]) -
بررسی همگرایی
اگر معیارهای همگرایی برآورده شود، آنگاه به این روند پایان می دهیم وگرنه دوباره پیش می رویم.
یادگیری فدرال فرآیندی تکراری است، مشتریان مدل را آموزش می‌دهند و سرور به‌روزرسانی‌های مدل را جمع‌آوری می‌کند.
نحوه تنظیم یک سیستم فدرال
[entire chapter was for configuring the server and client, the hyper parameters you can pass to the flower framework.]یک روش معمول برای تجمیع مدل، میانگین وزن ها است.
حریم خصوصی داده ها در یادگیری فدرال چیست؟
حریم خصوصی دیفرانسیل؟
اضافه کردن نویز جزئی به یک مجموعه داده حساس که به طور بالقوه می تواند در مجموعه داده باشد.
