Традиционные подходы к централизованному машинному обучению имеют ограничения, когда большие объемы данных быстро генерируются одновременно в разных местах. Для решения этой задачи необходим децентрализованный подход. Swarm Learning, вдохновленная природой вычислительная техника, используется архитекторами решений для реализации децентрализованных систем машинного обучения. В этом посте мы сначала разберемся в проблемах методов централизованного обучения, а затем обсудим преимущества методов децентрализованного обучения. Впоследствии мы увидим, как роевое обучение может быть эффективным децентрализованныммашинное обучениеФреймворк, который решает проблемы централизованных систем обучения. Основное содержание, которое будет освещено в статье, перечислено ниже.
содержание
- Проблемы с централизованной/традиционной технологией обучения
- Перспективные решения для технологий децентрализованного обучения
- Эффективный
- Безопасность
- сохранить конфиденциальность
- Обучение рою
- Оптимизация муравьиной колонии
- Оптимизация роя частиц
- Приложения Hive Learning
Давайте начнем наше обсуждение с понимания проблем, с которыми сталкиваются методы централизованного обучения.
Проблемы с централизованной/традиционной технологией обучения
Во многих областях мы наблюдаем, как данные становятся все более распределенными, поскольку данные из разных источников быстро увеличиваются, что является проблемой для централизованных методов обучения. Давайте возьмем пример беспилотных автомобилей, где датчики вроде лидара, радара и машинного зрения ежедневно генерируют петабайты данных. Эти данные генерируются с беспрецедентной скоростью. В то же время из-за различных датчиков на автомобиле места, где генерируются данные, также распределяются. Было бы страшно хранить такие данные централизованно в одном месте.
Вторая проблема традиционных методов обучения заключается в том, что данные сосредоточены в одном месте, что касается конфиденциальности и безопасности данных. Большинству централизованных алгоритмов машинного обучения необходимо интегрировать данные, которые, в свою очередь, необходимо передавать в разные источники, что часто приводит к утечке данных.Во многих отраслях, таких как индустрия здравоохранения, данные агрегируют личную информацию людей, поведенческие привычки, децентрализованные Во многих источники, частная жизнь человека нарушается.
традиционный централизованныйML моделиЕще одно ограничение связано с управлением данными. Мы видим, что большинство компаний являются производителями своих собственных данных и используют другую сущность для анализа, очистки и сбора этих данных. Эти объекты имеют собственную инфраструктуру для выполнения вышеуказанных операций с данными. Это разделение владельцев данных и организаций, хранящих данные, привело к монополии данных, при которой огромные доходы от данных идут в карманы разных организаций.
Ожидаемые решения для технологий децентрализованного обучения
Как мы только что обсудили недостатки и проблемы методов централизованного обучения. Многие из этих проблем можно решить с помощью методов децентрализованного обучения. Чтобы понять это, давайте разберемся со следующими свойствами любого метода децентрализованного машинного обучения.
- эффективный
Как мы знаем, любое машинное обучение, которое мы используем для любого типа данных, должно быть точным, эффективным, а также способным обрабатывать большое количество данных. Алгоритмы децентрализованного обучения должны лучше справляться с сильно распределенными данными из-за их большего внимания к распределению данных. Используя их методы распределения рабочих нагрузок, подключения пиров, мы должны получить лучшие результаты с точки зрения точности и эффективности. Кроме того, эти методы обучения должны иметь возможности для работы с несбалансированными данными.
- Безопасность
Как мы уже говорили о проблемах безопасности централизованных технологий обучения. Децентрализованное машинное обучение имеет функции безопасности, которые должны обеспечивать присутствие в процессе обучения только доверенных участников. Их можно рассматривать кактехнология блокчейн, только доверенные лица могут вносить изменения в настоящее время, и блокчейн доказал свою высокую безопасность по сравнению с другими технологиями.
- защита конфиденциальности
Одной из лучших особенностей децентрализации является то, что они обеспечивают лучшую конфиденциальность. Децентрализация машинного обучения должна дать владельцам больше контроля над конфиденциальной информацией, которую они представляют в своих данных.
В приведенном выше разделе мы увидели, каковы недостатки методов централизованного обучения и как мы можем их преодолеть, используя методы децентрализованного обучения. Могут быть различные методы децентрализованного обучения, и роевое обучение — один из них, который мы используем, чтобы использовать мощь распределенных данных. Этот тип обучения на самом деле вдохновлен каким-то естественным или биологическим процессом. В следующем разделе статьи мы обсудим обучение в колонии.
Обучение рою
обучение в ульеискусственный интеллекти часть исследования машинного обучения, основное внимание в роевом обучении уделяется оценке поведения децентрализованных систем, как мы видели в предыдущем разделе статьи, у нас есть различные проблемы с методами централизованного обучения, большинство наших традиционных моделей зависят от этого технологии. Децентрализованная система может помочь нам преодолеть трудности централизованных методов обучения. Основная идея этого обучения исходит из того, как работают муравьиные колонии или стаи птиц. в вычислительно интеллектуальную систему.
Возьмем, к примеру, стаю птиц, чтобы добраться до пункта назначения, каждая птица участвует в ней, и действие птицы можно рассматривать как ее вклад в общее действие по достижению пункта назначения. При групповом обучении глобальная система делится на агентов и их окружение. Интерактивное поведение агентов приводит к поведению глобального решения. С точки зрения нейронных сетей мы можем сказать, что эти пересекающиеся агенты представляют собой группы нейронов, которые в основном работают как команда, чтобы найти золотую середину.
Можно сказать, что обучение колонии распространяется с помощью двух основных методов оптимизации.
- Оптимизация колонии муравьев (ACO
- Оптимизация роя частиц (PSO)
Давайте разберемся в этих методах подробно.
Оптимизация муравьиной колонии
Мы знаем, как муравьиные колонии находят пищу. Мы часто видим, как муравьи идут к еде в один или несколько рядов. Также Ant Colony Optimization (ACO) — это метод решения вычислительных задач, или, можно сказать, ACO — этоВероятностные методы, который используется для поиска хороших путей в графе, которые могут привести к оптимальному решению задачи. Граф — это структура, состоящая из различных наборов связанных объектов. Комбинацию искусственных тетушек и некоторых эвристик для решения задач оптимизации можно рассматривать как методы ACO для оптимизации графов, которые можно использовать в маршрутизации транспортных средств или маршрутизации в Интернете.
Изображение выше представляет собой представление выбора кратчайшего пути между двумя точками A и B, где граф используется для создания пути кратчайшей длины. Это опасность, которая определяет подход муравьиной колонии. По мнению разных авторов, определение АКО различно. Грубо говоря, метод оптимизации муравьиной колонии представляет собой густонаселенную метаэвристику, в которой каждое решение представлено муравьем, движущимся в пространстве поиска. На рисунке ниже показана производительность муравьиной колонии, которая находит кратчайший путь от начального этапа к конечному.
Оптимизация роя частиц
Как мы видели, при оптимизации муравьиной колонии мы используем графы для поиска наилучшего решения проблемы. Здесь также используется метод оптимизации, который в основном зависит от набора лучших решений, которые мы пытаемся итеративно улучшить, чтобы найти лучшее решение для любой проблемы. Набор возможных решений можно рассматривать как частицы, а решение задачи можно получить, перемещая эти частицы в пространстве поиска, используя простые математические функции для их положения и скорости во время движения. На движение любой частицы всегда влияет ее оптимальное положение в пространстве поиска и функция, которая направляет частицу в это пространство посредством движения. Ожидается, что с помощью этих процедур колония будет двигаться к оптимальному решению.
Картинка выше представляет собой представление PSO, где частицы ищут глобальный минимум функции.
Этот метод оптимизации также является метаэвристическим, поскольку он также не делает никаких предположений о проблеме, и мы можем использовать этот метод для поиска в очень большом пространстве.
Выше мы увидели, что такое роевое обучение и как мы можем подойти к различным методам оптимизации при роевом обучении. Обучение в колонии может иметь различные приложения, мы обсудим некоторые важные приложения обучения в колонии в следующем разделе статьи.
Приложения Hive Learning
Исходя из вышеприведенной интуиции, мы можем сказать, что групповое обучение — это способ выполнения децентрализованного обучения, которое можно рассматривать как средство от проблем, с которыми мы сталкиваемся при централизованном обучении. Кроме того, роевое обучение имеет много преимуществ. Его можно использовать в самых разных областях. Некоторые из важных областей, в которых она сыграла важную роль, перечислены ниже.
- Swarm-обучение можно использовать для управления дорожным движением. Одним из практических примеров являются военные США, которые используют технологию роя для управления беспилотными транспортными средствами.
- Также в космических технологиях есть применение роевому обучению. Европейское космическое агентство и НАСА используют технологию роя для решения проблем, связанных с космическими технологиями, где НАСА использует обучение роем и разрабатывает самосборку и интерферометрию орбитальных роев.
- В 1992 году Джордж А. Беки обсудил возможность использования группового обучения для управления нанороботами, которые будут использоваться в организме человека для уничтожения раковых опухолей. А аль-Рифайе и Абер использовали обучение в колониях, чтобы определять местонахождение опухолей.
- Обучение колоний также можно использовать в области интеллектуального анализа данных и кластерного анализа.
последние слова
В этом посте мы увидели проблемы с традиционными методами централизованного обучения и то, как мы можем преодолеть эти недостатки или проблемы с методами централизованного обучения с использованием методов распределенного обучения. Обучение рою — это метод децентрализованного обучения, и существует два основных метода: оптимизация муравьиной колонии (ACO) и оптимизация роя частиц (PSO). Мы также обсудим эти части и приложения кластерного обучения.