


Überblick über den aktuellen Stand der Federated-Learning-Technologie und ihrer Anwendungen in der Bildverarbeitung
In den letzten Jahren wurden Diagramme häufig zur Darstellung und Verarbeitung komplexer Daten in vielen Bereichen verwendet, beispielsweise in der medizinischen Versorgung, im Transportwesen, in der Bioinformatik und in Empfehlungssystemen. Die Graph-Machine-Learning-Technologie ist ein leistungsstarkes Werkzeug zum Erhalten umfangreicher Informationen, die in komplexen Daten verborgen sind, und hat bei Aufgaben wie der Knotenklassifizierung und der Linkvorhersage eine starke Leistung gezeigt.
Obwohl die Technologie des maschinellen Lernens von Graphen erhebliche Fortschritte gemacht hat, erfordern die meisten von ihnen, dass Diagrammdaten zentral auf einem einzigen Computer gespeichert werden. Da jedoch der Schwerpunkt auf Datensicherheit und Benutzerschutz liegt, ist die zentrale Speicherung von Daten unsicher und undurchführbar geworden. Diagrammdaten sind oft über mehrere Datenquellen (Datensilos) verteilt und aus Datenschutz- und Sicherheitsgründen ist es nicht möglich, die erforderlichen Diagrammdaten von verschiedenen Orten zu sammeln.
Zum Beispiel möchte ein Drittunternehmen für einige Finanzinstitute Graph-Machine-Learning-Modelle trainieren, um ihnen dabei zu helfen, potenzielle Finanzkriminalität und betrügerische Kunden zu erkennen. Jedes Finanzinstitut verfügt über private Kundendaten, wie zum Beispiel demografische Daten und Transaktionsaufzeichnungen. Die Kunden jedes Finanzinstituts bilden ein Kundendiagramm, in dem Kanten Transaktionsdatensätze darstellen. Aufgrund strenger Datenschutzrichtlinien und des geschäftlichen Wettbewerbs können die privaten Kundendaten jeder Organisation nicht direkt an Drittunternehmen oder andere Organisationen weitergegeben werden. Gleichzeitig kann es auch Beziehungen zwischen Institutionen geben, die als Strukturinformationen zwischen Institutionen angesehen werden können. Die größte Herausforderung besteht daher darin, Graph-Machine-Learning-Modelle für die Aufdeckung von Finanzkriminalität auf der Grundlage von Privatkundengraphen und behördenübergreifenden Strukturinformationen zu trainieren, ohne direkten Zugriff auf die Privatkundendaten jeder Institution.
Federated Learning (FL) ist eine verteilte Lösung für maschinelles Lernen, die das Problem von Dateninseln durch kollaboratives Training löst. Es ermöglicht Teilnehmern (also Kunden), gemeinsam maschinelle Lernmodelle zu trainieren, ohne ihre privaten Daten weiterzugeben. Daher wird die Kombination von FL mit maschinellem Graphenlernen eine vielversprechende Lösung für die oben genannten Probleme.
In diesem Artikel schlagen Forscher der University of Virginia Federated Graph Machine Learning (FGML) vor. Im Allgemeinen kann FGML basierend auf der Ebene der Strukturinformationen in zwei Einstellungen unterteilt werden: Die erste ist FL mit strukturierten Daten. In FL mit strukturierten Daten trainieren Kunden gemeinsam Diagramm-Machine-Learning-Modelle basierend auf ihren Diagrammdaten, während Diagrammdaten lokal gespeichert werden . Der zweite Typ ist strukturiertes FL. Bei strukturiertem FL gibt es strukturelle Informationen zwischen Clients, die ein Client-Diagramm bilden. Client-Graphen können genutzt werden, um effizientere gemeinsame Optimierungsmethoden zu entwerfen.
Papieradresse: https://arxiv.org /pdf/2207.11812.pdf
Während FGML eine vielversprechende Blaupause bietet, gibt es noch einige Herausforderungen:
#🎜🎜 #1. Mandantenübergreifende Informationen fehlen. In FL mit strukturierten Daten besteht ein häufiges Szenario darin, dass jeder Client-Computer über einen Untergraphen des globalen Diagramms verfügt und einige Knoten möglicherweise enge Nachbarn haben, die zu anderen Clients gehören. Aus Datenschutzgründen können Knoten nur Features ihrer unmittelbaren Nachbarn innerhalb des Clients aggregieren, aber nicht auf Features zugreifen, die sich auf anderen Clients befinden, was zu einer Unterrepräsentation von Knoten führt.
2. Datenschutzverlust der Diagrammstruktur. Im herkömmlichen FL ist es Kunden nicht gestattet, die Merkmale und Bezeichnungen ihrer Datenproben offenzulegen. In FL mit strukturierten Daten sollte auch der Datenschutz struktureller Informationen berücksichtigt werden. Strukturinformationen können direkt über eine gemeinsame Adjazenzmatrix oder indirekt über die Einbettung von Übertragungsknoten offengelegt werden.
3. Mandantenübergreifende Datenheterogenität. Im Gegensatz zu herkömmlichem FL, bei dem die Datenheterogenität von Nicht-IID-Datenstichproben herrührt, enthalten Diagrammdaten in FGML umfangreiche Strukturinformationen. Gleichzeitig wirkt sich auch die Diagrammstruktur verschiedener Kunden auf die Leistung des Diagrammmodells für maschinelles Lernen aus.
4. Strategie zur Verwendung von Parametern. In strukturierter FL ermöglicht der Client-Graph den Clients, Informationen von ihren benachbarten Clients zu erhalten. Bei strukturiertem FL müssen wirksame Strategien entwickelt werden, um Nachbarinformationen, die von einem zentralen Server koordiniert oder vollständig dezentralisiert werden, vollständig auszunutzen.
Um die oben genannten Herausforderungen zu bewältigen, haben Forscher eine Vielzahl von Algorithmen entwickelt. Verschiedene Algorithmen konzentrieren sich derzeit hauptsächlich auf Herausforderungen und Methoden in Standard-FL, wobei nur wenige Versuche unternommen werden, spezifische Probleme und Techniken in FGML anzugehen. Jemand hat einen Übersichtsartikel zur Klassifizierung von FGML veröffentlicht, die wichtigsten Techniken in FGML jedoch nicht zusammengefasst. Einige Übersichtsartikel decken nur eine begrenzte Anzahl relevanter Artikel in FL ab und stellen die aktuell vorhandene Technologie sehr kurz vor.
In dem heute vorgestellten Artikel stellt der Autor zunächst die Konzepte zweier Problemdesigns in FGML vor. Anschließend werden die neuesten technologischen Fortschritte unter jedem Shezhi besprochen und auch die praktischen Anwendungen von FGML vorgestellt. und fasst zugängliche Diagrammdatensätze und Plattformen zusammen, die für FGML-Anwendungen verfügbar sind. Abschließend nennt der Autor einige vielversprechende Forschungsrichtungen. Zu den Hauptbeiträgen des Artikels gehören:
Taxonomie der FGML-Technologie: Der Artikel gibt eine Taxonomie von FGML basierend auf verschiedenen Problemen und fasst die wichtigsten Herausforderungen in jedem Umfeld zusammen.
Umfassende Technologieübersicht: Der Artikel bietet einen umfassenden Überblick über die vorhandene Technologie in FGML. Im Vergleich zu anderen vorhandenen Übersichtsartikeln untersuchen die Autoren nicht nur ein breiteres Spektrum verwandter Arbeiten, sondern liefern auch eine detailliertere technische Analyse, anstatt nur die Schritte jeder Methode aufzulisten.
Praktische Anwendung: Der Artikel fasst erstmals die praktische Anwendung von FGML zusammen. Die Autoren ordnen sie nach Anwendungsbereichen und stellen verwandte Arbeiten in jedem Bereich vor.
Datensätze und Plattformen: Der Artikel stellt die vorhandenen Datensätze und Plattformen in FGML vor und ist für Ingenieure und Forscher, die Algorithmen entwickeln und Anwendungen in FGML bereitstellen möchten, sehr hilfreich.
Zukünftige Richtungen: Der Artikel weist nicht nur auf die Einschränkungen bestehender Methoden hin, sondern gibt auch die zukünftige Entwicklungsrichtung von FGML an.
FGML-Technologieübersicht#🎜 🎜 # Hier ist eine Einführung in die Hauptstruktur des Artikels.
Abschnitt 2 stellt kurz Definitionen des maschinellen Lernens mit Graphen sowie Konzepte und Herausforderungen in beiden Umgebungen in FGML vor.
In den Abschnitten 3 und 4 werden die gängigen Technologien in beiden Umgebungen untersucht. Abschnitt 5 untersucht weiter reale Anwendungen von FGML. Abschnitt 6 stellt den Open Graph Dataset und zwei Plattformen für FGML vor, die in verwandten FGML-Artikeln verwendet werden. Mögliche zukünftige Richtungen finden Sie in Abschnitt 7.
Abschließend fasst Abschnitt 8 den vollständigen Text zusammen. Weitere Einzelheiten finden Sie im Originalpapier.
Das obige ist der detaillierte Inhalt vonÜberblick über den aktuellen Stand der Federated-Learning-Technologie und ihrer Anwendungen in der Bildverarbeitung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls

Laienhaft ausgedrückt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Eingabedaten einer vorhergesagten Ausgabe zuordnet. Genauer gesagt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Modellparameter anpasst, indem sie aus Trainingsdaten lernt, um den Fehler zwischen der vorhergesagten Ausgabe und der wahren Bezeichnung zu minimieren. Beim maschinellen Lernen gibt es viele Modelle, z. B. logistische Regressionsmodelle, Entscheidungsbaummodelle, Support-Vektor-Maschinenmodelle usw. Jedes Modell verfügt über seine anwendbaren Datentypen und Problemtypen. Gleichzeitig gibt es viele Gemeinsamkeiten zwischen verschiedenen Modellen oder es gibt einen verborgenen Weg für die Modellentwicklung. Am Beispiel des konnektionistischen Perzeptrons können wir es durch Erhöhen der Anzahl verborgener Schichten des Perzeptrons in ein tiefes neuronales Netzwerk umwandeln. Wenn dem Perzeptron eine Kernelfunktion hinzugefügt wird, kann es in eine SVM umgewandelt werden. Dieses hier

In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“

In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden

Das Anwendungspotenzial der Go-Sprache im Bereich des maschinellen Lernens ist enorm. Ihre Vorteile sind: Parallelität: Sie unterstützt die parallele Programmierung und eignet sich für rechenintensive Operationen bei maschinellen Lernaufgaben. Effizienz: Der Garbage Collector und die Sprachfunktionen sorgen dafür, dass der Code auch bei der Verarbeitung großer Datenmengen effizient ist. Benutzerfreundlichkeit: Die Syntax ist prägnant und erleichtert das Erlernen und Schreiben von Anwendungen für maschinelles Lernen.

MetaFAIR hat sich mit Harvard zusammengetan, um einen neuen Forschungsrahmen zur Optimierung der Datenverzerrung bereitzustellen, die bei der Durchführung groß angelegten maschinellen Lernens entsteht. Es ist bekannt, dass das Training großer Sprachmodelle oft Monate dauert und Hunderte oder sogar Tausende von GPUs verwendet. Am Beispiel des Modells LLaMA270B erfordert das Training insgesamt 1.720.320 GPU-Stunden. Das Training großer Modelle stellt aufgrund des Umfangs und der Komplexität dieser Arbeitsbelastungen einzigartige systemische Herausforderungen dar. In letzter Zeit haben viele Institutionen über Instabilität im Trainingsprozess beim Training generativer SOTA-KI-Modelle berichtet. Diese treten normalerweise in Form von Verlustspitzen auf. Beim PaLM-Modell von Google kam es beispielsweise während des Trainingsprozesses zu Instabilitäten. Numerische Voreingenommenheit ist die Hauptursache für diese Trainingsungenauigkeit.
