| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Viedās datortehnoloģijas |
| Nosaukums |
Agregācijas algoritmu efektivitātes uzlabošana federatīvā mašīnmācīšanā |
| Nosaukums angļu valodā |
Improving the Efficiency of Aggregation Algorithms in Federated Machine Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Mihails Fraimans |
| Recenzents |
Egons Lavendelis |
| Anotācija |
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. |
| Atslēgas vārdi |
Federatīva mašinmācīšanas, federatīva mašinmācīšanas agregācijas algoritmi |
| Atslēgas vārdi angļu valodā |
Federated Machine Learning, Federated Machine Learning Aggregation Algorithms |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
28.05.2024 07:01:28 |
