Federe öğrenmede birleştirme algoritmalarının model performansına etkisi

Basit Öğe Kaydı
dc.authorid0000-0002-0867-5518en_US
dc.contributor.authorNergiz, Mehmet
dc.date.accessioned2023-03-23T08:09:41Z
dc.date.available2023-03-23T08:09:41Z
dc.date.issued2023en_US
dc.departmentDicle Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümüen_US
dc.description.abstractHammaddesi büyük veri olan Yapay zeka (YZ) teknolojileri özellikle son yıllarda verinin gizliliği ve güvenliği gibi önemli gerekçelerle veriye ulaşmayı zorlaştıran sebeplerden ötürü bir takım zorluklarla karşılaşmaktadır. Öte yandan büyük verinin merkezi bir lokasyonda toplanmasının zorlukları ve yüksek kapasiteli depolama ve işlemci ihtiyaçları da YZ alanında karşılaşılan zorluklardır. Bu zorluklardan esinlenerek geliştirilen İşbirlikçi YZ konsepti olan Federe Öğrenme (FÖ), işbirliğine katılan katılımcıların, veri gizliliğini ihlal etmeden YZ model parametrelerinin kendi verileri ile işlenip model paremetrelerinin güncellenmesi ve güncellenen parametrelerin bir sunucuda belirli algoritmalar aracılığıyla birleştirilmesi ile iteratif olarak gerçekleştirilen bir konsepttir. FÖ konsepti, katılımcıların öznitelik ve örnek uzaylarının ortaklığına bağlı olarak Yatay FÖ, Dikey FÖ ve Federe Transfer Öğrenme şeklinde yaklaşımlar ile uygulanmaktdır. Bu çalışmada öznitelik uzaylarının ortak olduğu Yatay FÖ yaklaşımı için geliştirilen model parametrelerini birleştirme algoritmalarından FedAVG, FedAVGM ve FaultTolerantFedAVG’nin 5 katılımcı arasında özdeş olmayan bir şekilde dağıtılmış olan MNIST veri setinin ResNet-18 ve MobileNet V3 small sınıflandırıclarının performansına etkisi incelenmektedir.en_US
dc.description.abstractArtificial intelligence (AI) technologies, whose raw material is big data, have been encountering some difficulties especially in recent years due to important reasons like data privacy and security concerns. On the other hand, the difficulties of collecting big data in a central location and the necessity of high-capacity storage and processors are also the challenges in the field of AI. Federated Learning (FL), which is a Collaborative AI concept inspired by these challenges, is an iterative concept that is carried out by the participants in the collaboration, by processing AI model parameters with their own local data, updating the model parameters, and then combining the updated parameters on a server through certain algorithms without violating data privacy. The FL concept is implemented with approaches such as Horizontal FL, Vertical FL and Federated Transfer Learning, depending on the feature and sample spaces of the partnership of the collaborator participants. In this study, the effect of the model parameter aggregation algorithms such as FedAVG, FedAVGM and FaultTolerantFedAVG which are developed for the Horizontal FL approach are analyzed using the ResNet-18 and MobileNet V3 small classifiers on the MNIST dataset which is distributed non-identically among 5 participants.en_US
dc.identifier.citationNergiz, M. (2023). Federe öğrenmede birleştirme algoritmalarının model performansına etkisi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 14(1), 65-73.en_US
dc.identifier.doi10.24012/dumf.1241947en_US
dc.identifier.endpage73en_US
dc.identifier.issn1309-8640
dc.identifier.issn2146-4391
dc.identifier.issue1en_US
dc.identifier.startpage65en_US
dc.identifier.trdizinid1275701en_US
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/2915638
dc.identifier.urihttps://hdl.handle.net/11468/11499
dc.identifier.volume14en_US
dc.institutionauthorNergiz, Mehmet
dc.language.isotren_US
dc.publisherDicle Üniversitesi Mühendislik Fakültesien_US
dc.relation.ispartofDicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisien_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectFedere öğrenmeen_US
dc.subjectFedAVGen_US
dc.subjectResNeten_US
dc.subjectMobileNeten_US
dc.subjectVeri gizliliğien_US
dc.subjectDerin öğrenmeen_US
dc.subjectFederated learningen_US
dc.subjectCentralized learningen_US
dc.subjectDistributed learningen_US
dc.subjectBig dataen_US
dc.subjectData privacyen_US
dc.subjectMachine learningen_US
dc.titleFedere öğrenmede birleştirme algoritmalarının model performansına etkisien_US
dc.title.alternativeThe impact of aggregation algorithms on federated learning modelsen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Federe Öğrenmede Birleştirme Algoritmalarının Model Performansına Etkisi.pdf
Boyut:
1.24 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Makale Dosyası
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
[ X ]
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Dicle Üniversitesi Mühendislik Fakültesi Dergisi
TR-Dizin İndeksli Yayınlar Koleksiyonu