Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
Dit protocol beschrijft de implementatie van een Intelligent Federated Learning Framework voor het trainen van gedistribueerde machine learning-modellen over heterogene, niet-gecoloceerde datasets, terwijl gegevensprivacy behouden blijft en modelinterpretatie mogelijk wordt.
Gefedereerd leren heeft aanzienlijk potentieel voor gedistribueerde modeltraining terwijl privacy behouden blijft, maar het ondervindt uitdagingen op het gebied van convergentie, eerlijkheid en interpreteerbaarheid vanwege de heterogeniteit van niet-gecoloceerde datasets. Deze studie stelt een Intelligent Federated Learning Framework (IFLF) voor om deze uitdagingen aan te pakken via een adaptieve aanpak met een meerlaagse architectuur bestaande uit Data-, Client-, Aggregatie-, Adaptatie- en Optimalisatie- en interpreteerbaarheidslagen.
Het raamwerk toont stabiele convergentie onder niet-IID dataverdelingen, waarbij aggregatiestrategieën gebalanceerde optimalisatie ondersteunen. De leersnelheidsmodulatiebenadering draagt bij aan stabiele training door heterogene clientupdates te integreren en divergentie tijdens optimalisatie te verminderen. Verklaarbare AI-technieken, waaronder SHAP en LIME, worden geïntegreerd om de transparantie op zowel klant- als mondiaal niveau te verbeteren.
De IFLF wordt geëvalueerd op vier benchmarkdatasets (FEMNIST (visie), FLamby (gezondheidszorgbeeldvorming), FedGraphNN (graf leren) en CICIDS2017 (cybersecurity)). Het framework behaalde een gemiddelde nauwkeurigheid van 92,8%, met snellere convergentie en verminderde prestatievariabiliteit tussen klanten.
De snelle toename van gedistribueerde data afkomstig van mobiele apparaten, zorgsystemen, industriële sensoren en cyber-fysieke infrastructuren heeft de behoefte aan collaboratieve machine learning-technieken die ook gegevensprivacy waarborgen, vergroot. Conventionele machine learning-methoden zijn afhankelijk van gecentraliseerde dataconsolidatie, waarbij datasets van verschillende bronnen worden verzameld en opgeslagen in één repository. Hoewel zo'n aanpak modeltraining vergemakkelijkt, roept het zorgen op met betrekking tot gegevensprivacy, naleving van regelgeving en communicatie-overhead. Federated learning (FL) wordt erkend als ....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Overzicht
Een Intelligent Federated Learning Framework (IFLF) is ontwikkeld om data en systeemheterogeniteit efficiënt te beheren in niet-colocatieomgevingen. De systeemarchitectuur bestond uit vijf lagen: de Datalaag, Clientlaag, Aggregatielaag, Adaptatie- en Optimalisatielaag en de Interpretabiliteitslaag. De modules werden ingezet via een gedistribueerde computing-opstelling met een centrale aggregatieserver en meerdere clientknooppunten. Beveiligde socketverbindingen (SSL/TLS) werden gebruikt voor communicatie tussen knooppunten om privacy en gegevensintegriteit te waarborgen. De volgende procedure werd gebruik....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Overzicht
Alle experimentele resultaten die in deze studie werden gerapporteerd, werden gemiddeld over vijf onafhankelijke runs met verschillende willekeurige initialisaties en klantbemonsteringsconfiguraties om robuustheid te waarborgen. Prestatie-indicatoren, waaronder nauwkeurigheid, precisie, herinnering en F1-score, worden gepresenteerd als gemiddelde ± standaarddeviatie. De waargenomen standaarddeviatie over runs bleef binnen een klein bereik (meestal ±0,5% tot .......
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Het voorgestelde Intelligent Federated Learning Framework (IFLF) pakt uitdagingen aan in gefedereerd leren die voortkomen uit heterogene en gedistribueerde omgevingen. Systematische evaluatie over vier datasets geeft aan dat het combineren van aggregatie en adaptieve optimalisatie de convergentiestabiliteit en de prestaties van het globale model verbetert. Door klantbetrouwbaarheid en gelijkenis in het aggregatieproces te integreren, vermindert het framework de invloed van inconsistente .......
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs hoeven geen belangenconflicten aan te geven.
De auteurs erkennen de ontwikkelaars en beheerders van de publiek beschikbare datasets die in deze studie zijn gebruikt, waaronder de datasets FEMNIST, FLamby, FedGraphNN en CICIDS2017. De auteurs bedanken ook de open-source gemeenschap voor het leveren van softwareframeworks en -tools die de implementatie en evaluatie van het in dit protocol beschreven federated learning framework mogelijk maakten.
....Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| CICIDS2017 Dataset | Canadian Institute for Cybersecurity | Publieke dataset | Intrusion detection |
| FedGraphNN Dataset | FedGraphNN | Publieke dataset | Grafenleren |
| FEMNIST Dataset | LEAF Benchmark | Publieke dataset | Vision dataset |
| FLamby Dataset | FLamby Project | Publieke dataset | Healthcare dataset |
| Flower | Flower Framework | 1.6 | Federated learning simulatie |
| GPU Workstation | NVIDIA | RTX GPU | Modeltraining |
| NumPy | NumPy Developers | 1.26 | Numeriek rekenen |
| Python | Python Software Foundation | 3.1 | Programmeertaal |
| Scikit-learn | Scikit-learn | 1.3 | ML-hulpmiddelen |
| TensorFlow / PyTorch | Google / Meta | Laatste | Deep learning framework |