Kontaktperson
Olof Mogren
Senior Researcher
Kontakta OlofFedererad maskininlärning
Federerad maskininlärning är inlärningsalgoritmer som drar nytta av data distribuerad över flera klienter. Inlärningen sker huvudsakligen lokalt på klienterna men med hjälp av en central server kan klienterna samarbeta och nå bättre resultat. Detta ger möjlighet att skydda integriteten hos data och att använda distribuerad beräkningskapacitet.
Många tillämpningar inom olika typer av dataanalys kräver att datan stannar där den är. Det kan vara av tekniska orsaker såsom tillgänglig nätverkskapacitet eller beräkningskraft, eller av juridiska orsaker såsom juridiskt känslig data, exempelvis medicinsk data.
I detta fall kan distribuerade lösningar vara det som möjliggör en avancerad analys av data som annars skulle varit omöjlig. Federerad inlärning erbjuder dessutom möjligheten av att dra nytta av många beräkningsnoder som sammarbetar för att lära sig ett problem. Detta kan ge styrkor i beräkningskraft och energieffektivitet.
RISE har en stark expertis och satsar aktivt på distribuerad inlärning. Vi utvecklar tekniker för effektivisering baserat på distribuerad beräkningskraft, samt för att kunna ge garantier eller kvantifieringar av privacy i dessa settings.
Vi har idag samarbetsprojekt som syftar till att tillämpa federerade strategier för telekomindustrin, samt inom medicinska tillämpningar.
Relaterade publikationer:
Listo Zec, E., Mogren, O., Martinsson, J., Sütfeld, L.R., Gillblad, D. (2020) Federated learning using a mixture of experts. https://arxiv.org/abs/2010.02056
