| Form of studies |
Bachelor |
| Title of the study programm |
Smart Computer Technologies |
| Title in original language |
Agregācijas algoritmu efektivitātes uzlabošana federatīvā mašīnmācīšanā |
| Title in English |
Improving the Efficiency of Aggregation Algorithms in Federated Machine Learning |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Mihails Fraimans |
| Reviewer |
Egons Lavendelis |
| Abstract |
Bakalaura darbā tiek veikts pētījums par federatīvas mašinmācīšanas agregācijas algoritmiem, attēlu klasifikācijas uzdevumā. Agregācijas algoritmi galvenokārt attiecas uz metodēm, kas apvieno vairāku modeļu vai datu avotu informāciju, lai izveidotu jauno modeli, kas apvienos sevī zināšanas no vairākiem modeļiem. To pieejas un matemātiskie algoritmi tiek izveidoti katru gadu, ar dažādam efektivitātes radītajiem. Katram ir sava pielietošanas jomā vai scenāriji. Šī darba ietvaros tiek izvelēti trīs agregācijas algoritmi “FedAvg”, “FedAdam” un “FedAdagrad”, kuri ir vieni no pirmajiem piedāvātajiem algoritmiem federatīvajā mašīnmācībā un ir piemēroti, lai veiktu darbu ar attēlu klasifikāciju.
Pētnieciskajā daļa tiek aprakstīts par federatīvas mašīnmācības, darbības principu, skaidrojot tā pieeju konfidencialitāte ar klientu datiem, tā teorētiskajiem pielietojumiem un trūkumiem. Kā arī paskaidrojot “FedAvg”, “FedAdam” un “FedAdagrad” matemātiskās formulas un to izvēles pamatojumus.
Praktiskajā daļa tiek skaidrots par izveidotajiem diviem testiem, kur tiek statiski vai dinamiski palielināts klientu skaits, vai mācīšanas ātrums.
Darba apjoms - 56 lapaspuses, 8 tabulas, 43 attēli un 3 pielikumi. |
| Keywords |
Federatīva mašinmācīšanas, federatīva mašinmācīšanas agregācijas algoritmi |
| Keywords in English |
Federated Machine Learning, Federated Machine Learning Aggregation Algorithms |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
28.05.2024 07:01:28 |
