Notice bibliographique
Résumé
Today's state-of-the-art machine learning (ML) techniques, such as deep learning (DL) networks are typically trained using cloud platforms, leveraging elastic scalability of the cloud. For such processing, data from various sources need to be transferred to a cloud server. While this works well for some application domains, it is not suitable for all applications due to concerns about latency, connectivity, and privacy. For example, sharing life logging photos and videos from cellphones and wearable devices can cause privacy concerns for users, and transferring the unstructured data can burden the communication network. With the increase of such applications, federated learning (FL) is proposed as a distributed ML solution for learning on edge devices, such as cellphones and wearable devices. In FL, clients collaboratively train a model on their device without sharing their data. Each client trains a local model with their data and shares the model parameters with a FL server to aggregate and build a global model. Shifting from traditional ML techniques to federated solutions requires comparing these two approaches. Moreover, users need to study the performance of FL models to decide if federation is feasible for their learning task. In this paper, we propose an automated solution to compare centrally trained DL models with federated solutions. The tool allows users to easily analyze the accuracy of federated models for their learning task and study the effect of the federated parameters. We show the features of our tool building central and federated DL models from an input model structure for recognizing images in the MNIST benchmark dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,007 | 0,048 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».