Federe Öğrenme Algoritmaları ve Açık Kaynak Çerçeveler

Abstract

Günümüzde dağıtık sistemler ve büyük veri, merkeziyetçi makine öğrenmesi/derin öğrenme modellerinde zaman ve donanım maliyeti gibi engellere sebebiyet vermektedir. Bu sebeple dağıtık sistemlerde çalışan yazılımların veya Nesnelerin İnterneti (IoT) cihazlarından toplanan verilerin tek bir merkezde model eğitimi veya bu verilerden sonuç elde edilmesi aynı zamanda gizlilik gibi sorunlara da sebebiyet vermektedir. Makine öğrenmesine yönelik nispeten yeni sayılabilecek olan Federe Öğrenme (Fedeated Learning), giderek küreselleşen bu dünyada veri gizliliği ve güvenliği giderek daha önemli olacaktır. Federe öğrenmede, küresel bir model oluşturmak için iş birliği yapan cihazlar ve/veya yazılımlar yinelemeli bir şekilde kendi verisini doğrudan paylaşamadan doğruluk oranını giderek arttırmaktadır. Bu ise kurumların veya firmaların büyük kaynaklar ayırarak küresel bir modeli eğitme maliyetinden kurtarmakla beraber eğitim sürecini de hızlandırmaktadır. Gizliliği koruyan veri paylaşımı özellikle sağlık, finans ve iletişim gibi sektörlerde model eğitimi için Federe öğrenmeyi öne çıkartmaktadır. Federe öğrenmenin son yıllarda araştırma odağı haline gelmiş olması sadece yeni olmasından değil, ayrıca gizliliği koruyan kanunlar, nüfus ve teknoloji kullanımındaki artış ile ideal bir çözüm olarak gelecekte kullanımının oldukça yaygınlaşacağı düşünülmektedir. Bu çalışmada, açık kaynak federe öğrenme kütüphaneleri üzerine incelemeler ile McMahan v.d.’nin FedAVG üzerinden CIFAR-10 ile yapmış olduğu çalışma Flower üzerinde simülasyonu gerçekleştirilerek karşılaştırılmalı deneysel sonuçlar sunulmuştur. Bu çalışmada yapılan deneysel sonuçlar ile, veri kümesi ve parametre ayarlarındaki değişime göre Flower çerçevesinin kullanılan algoritmanın orijinal gerçekleştirimiyle her zaman aynı doğruluk oranına ulaşmadığı görülmüştür.