Federe Öğrenme, modellerin, ham verinin kendisini değiştirmeden, yerel veri örneklerini tutan birden fazla merkezi olmayan cihaz veya sunucuda eğitilmesine olanak tanıyan bir Makine Öğrenimi (ML) tekniğidir. Bu yaklaşım, merkezi olarak toplanamayan veya toplanmaması gereken verileri kullanarak model eğitiminde işbirliğine olanak tanıyarak Veri Gizliliği, güvenlik ve erişim haklarıyla ilgili kritik endişeleri giderir. Verilerin toplandığı geleneksel merkezi eğitimin aksine, Federe Öğrenme eğitim sürecini verilerin bulunduğu yere, genellikle Edge AI cihazlarına getirir.
Federe Öğrenimin Temel Kavramları
Federe Öğrenme, merkezi bir koordinatör (sunucu) tarafından yönetilen işbirliğine dayalı, yinelemeli bir süreç aracılığıyla çalışır:
- Model Dağıtımı: Merkezi sunucu, küresel bir modeli ( Nesne Algılama için Ultralytics YOLO modeli gibi) başlatır ve bunu katılımcı istemci cihazlara veya veri silolarına dağıtır.
- Yerel Eğitim: Her istemci, birkaç yineleme için kendi yerel verilerini kullanarak alınan modeli eğitir. Veriler hiçbir zaman istemciden ayrılmadığı için gizlilik korunur. Bu yerel eğitim tipik olarak standart Derin Öğrenme (DL) tekniklerini kullanır.
- Güncelleme Toplama: İstemciler yalnızca model güncellemelerini (ör. öğrenilen ağırlıklar veya gradyanlar) merkezi sunucuya geri gönderir, temel verileri değil. Bu güncellemeler genellikle diferansiyel gizlilik veya güvenli toplama gibi teknikler kullanılarak güvence altına alınır.
- Küresel Model Güncellemesi: Sunucu, küresel modeli iyileştirmek için alınan güncellemeleri toplar (örneğin, ortalama alarak).
- Yineleme: Bu döngü, ham veri gizliliğinden ödün vermeden tüm katılımcı istemcilerden öğrenilen bilgilerle küresel modeli kademeli olarak geliştirerek tekrarlanır. Google AI, Federated Learning araştırmaları ve uygulamaları hakkında bilgi veriyor.
Dağıtılmış Eğitim ile ilgili olsa da, Federe Öğrenme özellikle verilerin IID olmadığını (aynı ve bağımsız olarak dağıtılmadığını), tasarım gereği merkezi olmadığını varsayar ve temel bir ilke olarak gizliliğin korunmasını vurgular.
Federe Öğrenme Uygulamaları
Federe Öğrenme özellikle hassas veya dağıtılmış veri içeren senaryolarda kullanışlıdır:
- Akıllı Klavye Tahmini: Cep telefonu klavyeleri ( Google'ın Gboard'u gibi), tek tek tuş vuruşlarını merkezi sunuculara göndermeden, birçok cihazdaki kullanıcı yazma modellerine dayalı olarak tahmini metin önerilerini geliştirmek için Federated Learning'i kullanır. Bu, gizliliği korurken kullanıcı deneyimini geliştirir.
- Sağlık Hizmetleri: Hastaneler, kurumlar arasında dağıtılmış hasta verilerini kullanarak Tıbbi Görüntü Analizi gibi tanı modellerini eğitmek için işbirliği yapabilir. Bu, HIPAA gibi hasta gizliliği düzenlemelerini ihlal etmeden farklı popülasyonlar üzerinde eğitilmiş daha sağlam modellere olanak tanır. Sağlık Bilişimi için Federe Öğrenme hakkında daha fazla bilgi edinin. Ultralytics , Sağlık Hizmetlerinde Yapay Zeka çözümlerinde benzer alanları araştırmaktadır.
Federe Öğrenimin Faydaları
- Gelişmiş Veri Gizliliği: Ham veriler yerel cihazlarda kalır ve veri ihlalleri veya kötüye kullanımla ilişkili gizlilik risklerini önemli ölçüde azaltır.
- Azaltılmış İletişim Maliyetleri: Yalnızca tipik olarak ham veri kümelerinden daha küçük olan model güncellemeleri iletilir ve bant genişliğinden tasarruf edilir.
- Farklı Verilere Erişim: Kullanıcılar veya kuruluşlar arasında dağıtılan büyük, heterojen veri kümeleri üzerinde eğitime olanak tanıyarak potansiyel olarak daha sağlam ve genelleştirilebilir modellerin Aşırı Uyuma daha az eğilimli olmasını sağlar.
- Mevzuata Uygunluk: Kuruluşların katı veri yönetimi ve gizlilik düzenlemelerine (ör. GDPR, CCPA) uymasına yardımcı olur.
Federe Öğrenimin Zorlukları
- İletişim Darboğazları: Sunucu ve çok sayıda istemci arasındaki sık iletişim, özellikle güvenilir olmayan ağlarda yavaş ve maliyetli olabilir.
- Sistem Heterojenliği: İstemcilerin genellikle farklı donanım özelliklerine, ağ bağlantısına ve güç kullanılabilirliğine sahip olması, eşzamanlı eğitimi zorlaştırır. TensorFlow Federated gibi çerçeveler bunu yönetmeyi amaçlamaktadır.
- İstatistiksel Heterojenlik: İstemciler arasındaki veriler genellikle IID değildir, yani aynı dağılımı takip etmez, bu da model yakınsamasını ve performansını zorlayabilir.
- Güvenlik Endişeleri: Gizliliği artırırken, sistem hala model güncellemelerini veya toplama sürecini hedef alan belirli düşman saldırılarına karşı savunmasız olabilir ve sağlam Veri Güvenliği önlemleri gerektirir. OpenMined gibi gizliliği koruyan ML toplulukları bu sorunları ele almak için çalışmaktadır.
Bu zorluklara rağmen, Federe Öğrenme, gizliliği koruyan Yapay Zeka (AI) konusunda önemli bir ilerlemeyi temsil etmektedir. Ultralytics HUB gibi platformlar, potansiyel olarak federasyon yaklaşımları kullanılarak geliştirilenler de dahil olmak üzere modellerin Model Dağıtımını ve yönetimini kolaylaştırabilir. Ultralytics belgelerinde çeşitli model dağıtım seçeneklerini keşfedebilirsiniz. FL'yi diğer tekniklerle birleştirme hakkında daha fazla tartışma Aktif Öğrenme bilgisayarla görme gelişimini hızlandırır blog yazısında bulunabilir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
