Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2022

Federated Learning: Pembelajaran Mesin Kolaboratif tanpa Data Pelatihan Terpusat

Federated learning memungkinkan pelatihan model pembelajaran mesin di perangkat terdesentralisasi tanpa berbagi data mentah, sehingga menjawab persoalan privasi, keamanan, dan hak akses. Ringkasan ini mengekstraksi elemen inti IMRAD dari makalah sumber.
V. Abhishek; Binny S; T. Johan; Nithin Raj; Vishal Thomasยท International Journal of Engineering Technology and Management Sciencesยท 2022ยท DOI 10.46647/ijetms.2022.v06i05.052

Masalah inti

Federated learning (juga dikenal sebagai collaborative learning) adalah teknik pembelajaran mesin yang melatih algoritma tanpa memindahkan sampel data ke banyak perangkat edge atau server terdesentralisasi. Strategi ini berbeda dari teknik pembelajaran mesin terpusat standar yang mengunggah semua dataset lokal ke satu server, serta dari alternatif terdesentralisasi yang lebih tradisional yang sering mengasumsikan sampel data lokal terdistribusi secara seragam. Federated learning memungkinkan beberapa aktor berkolaborasi dalam pengembangan satu model pembelajaran mesin yang tangguh tanpa berbagi data, sehingga persoalan penting seperti privasi data, keamanan data, hak akses data, dan akses ke data heterogen dapat diatasi. Pertahanan, telekomunikasi, internet of things, dan industri farmasi hanyalah sebagian dari sektor yang menerapkannya.

Inovasi

Makalah sumber mendeskripsikan federated learning sebagai teknik yang melatih algoritma di beberapa perangkat edge atau server terdesentralisasi yang menyimpan sampel data lokal, tanpa saling menukarkannya. Metodologi ini melibatkan pelatihan model secara kolaboratif ketika para aktor berkontribusi pada model bersama tanpa berbagi data mentah. Makalah ini membandingkannya dengan pembelajaran mesin terpusat, yang mengunggah semua data ke satu server, dan dengan pendekatan terdesentralisasi tradisional yang mengasumsikan distribusi data seragam. Inovasi metodologis utamanya adalah kemampuan mengatasi tantangan privasi data, keamanan, hak akses, dan data heterogen dengan menjaga data tetap terlokalisasi.
Pendahuluan
Federated learning (juga dikenal sebagai collaborative learning) adalah teknik pembelajaran mesin yang melatih algoritma tanpa memindahkan sampel data ke banyak perangkat edge atau server terdesentralisasi. Strategi ini berbeda dari teknik pembelajaran mesin terpusat standar yang mengunggah semua dataset lokal ke satu server, serta dari alternatif terdesentralisasi yang lebih tradisional yang sering mengasumsikan sampel data lokal terdistribusi secara seragam. Federated learning memungkinkan beberapa aktor berkolaborasi dalam pengembangan satu model pembelajaran mesin yang tangguh tanpa berbagi data, sehingga persoalan penting seperti privasi data, keamanan data, hak akses data, dan akses ke data heterogen dapat diatasi. Pertahanan, telekomunikasi, internet of things, dan industri farmasi hanyalah sebagian dari sektor yang menerapkannya.

Mengapa penting

Pembahasan menyoroti bahwa federated learning menawarkan pergeseran paradigma dari pembelajaran mesin terpusat dengan memungkinkan pelatihan model secara kolaboratif tanpa sentralisasi data. Hal ini sangat bermanfaat untuk skenario ketika privasi dan keamanan data menjadi prioritas utama, seperti di bidang pertahanan dan layanan kesehatan. Makalah mencatat bahwa federated learning dapat menangani distribusi data yang heterogen, berbeda dari metode terdesentralisasi tradisional yang mengasumsikan distribusi seragam. Para penulis menyarankan bahwa federated learning memiliki penerapan yang luas dan dapat memitigasi risiko terkait berbagi data sekaligus memungkinkan pengembangan model yang tangguh.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ