بکارگیری یک مکانیزم فرایادگیری مبتنی بر شناخت بین لایه‌ای در شبکه اینترنت اشیا ‏برای ارتقا یادگیری فدرال

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: بکارگیری یک مکانیزم فرایادگیری مبتنی بر شناخت بین لایه‌ای در شبکه اینترنت اشیا ‏برای ارتقا یادگیری فدرال

ارائه دهنده: Provider: فاضله توسلیان - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر مهدی عباسی - دکتر عباس رمضانی

اساتید مشاور: Advisory Professors: دکتر امیر طاهر کردی - دکتر محمدرضا خسروی

اساتید ممتحن یا داور: Examining professors or referees: دکتر محرم منصوری زاده - دکتر علی محمد لطیف - دکتر پرهام مرادی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 8 - 1404/9/25

مکان ارائه: Place of presentation: اتاق سمینار گروه کامپیوتر

چکیده: Abstract: در اینترنت اشیا سنتی، داده‌های موجود در دستگاه‌های لبه معمولاً برای آموزش یا به‌روزرسانی مدل‌های یادگیری ماشین به ‏یک سرور متمرکز منتقل می‌شوند. با این حال، دسترسی به داده‌های مورد نیاز برای آموزش مدل‌های دقیق می‌تواند چالش‌برانگیز و ‏پرهزینه باشد، به ویژه در مواردی که داده‌های برچسب‌گذاری شده محدود هستند. این چالش‌ها منجر به دو مشکل اصلی شامل ‏نگرانی‌های حریم خصوصی و کمبود داده‌های کافی برای آموزش مدل‌ها در حوزه یادگیری ماشین می‌شود. در این رساله، چند مدل ‏یادگیری ماشین فدرال مبتنی بر یادگیری با داده‌های اندک از جمله ‏ResFed‏ برای رفع این چالش‌ها ارائه می‌دهیم که بر بهبود دقت ‏مدل با داده‌های محدود تمرکز دارد. در رویکرد فرایادگیر فدرال چند مرحله‌ای پیشنهادی، گره‌های لبه در یک معماری متمرکز ‏آموزش داده می‌شوند که برای تعداد داده‌های کم به سرعت يادگيري و تطبيق مدل ‏منجر می‌شود. در روش پیشنهادی برای کاهش ‏تاثیر تعداد داده‌های اندک مجموعه داده آموزشی ابتدا با تکنیک‌های افزایش داده ‏تعداد داده‌های آموزشی را افزایش می‌دهد. از ‏یک استخراج کننده ویژگی برای یادگیری یک نمایش بر روی ‏مجموعه پایه به کار می‌گیرد و سپس در مرحله فراآموزش ، ‏طبقه‌بندی انجام می‌شود. ‏ با این حال ‏یادگیری فدرال‏ با چالش‌هایی مانند پهنای باند و ناهمگونی سیستم و داده‌ها در دستگاه‌های لبه نیز مواجه است که ‏به‌روزرسانی مدل‌ها ‏را در همه دستگاه‌ها به‌طور همزمان غیرعملی می‌سازد. در این رساله روش‌های جدیدی برای مدیریت بهینه ‏منابع دستگاه‌ها و انتخاب مؤثر آنها نیز معرفی شده‌است. رویکردهای پیشنهادی، شامل ‏AdaptFed-DS‏ و ‏AdaptLightFed-‎DS، با بهره‌گیری از یادگیری تقویتی دوگانه، به انتخاب بهینه دستگاه‌ها و تنظیم میزان مشارکت آنها در فرآیند یادگیری ‏می‌پردازند. این روش‌ها با توجه به ناهمگونی سیستم و داده‌ها، تعادلی میان دقت مدل و هزینه ارتباطی برقرار می‌کنند. در نهایت ‏روش پیشنهادی ‏AdaptLightFFSL-DS‏ مبتنی بر یادگیری تقویتی برای انتخاب بهینه دستگاه‌ها در یادگیری با تعداد داده ‏اندک در محیط فدرال ارائه شده تا از این طریق بتوان عملکرد مدل‌های ‏یادگیری را بهبود داد.‏ نتایج حاصل از پیاده‌سازی روش‌ها ‏نشان می‌دهند که رویکردهای پیشنهادی قادر است به‌طور مؤثری به چالش‌های موجود در یادگیری فدرال با داده‌های اندک پاسخ ‏دهند و کارایی سیستم را بهبود بخشند.‏

فایل: ّFile: دانلود فایل