مقاله پروتوتایپ (نمونه اولیه) جانمایی یادگیری متحد با دستگاه های IoT

چکیده

In the age of technology, data is an increasingly important resource. This importance is growing in the field of Artificial Intelligence (AI), where sub fields such as Machine Learning (ML) need more and more data to achieve better results. Internet of Things (IoT) is the connection of sensors and smart objects to collect and exchange data, in addition to achieving many other tasks. A huge amount of the resource desired, data, is stored in mobile devices, sensors and other Internet of Things (IoT) devices, but remains there due to data protection restrictions. At the same time these devices do not have enough data or computational capacity to train good models. Moreover, transmitting, storing and processing all this data on a centralised server is problematic. Federated Learning (FL) provides an innovative solution that allows devices to learn in a collaborative way. More importantly, it accomplishes this without violating data protection laws. FL is currently growing, and there are several solutions that implement it. This article presents a prototype of a FL solution where the IoT devices used were raspberry pi boards. The results compare the performance of a solution of this type with those obtained in traditional approaches. In addition, the FL solution performance was tested in a hostile environment. A convolutional neural network (CNN) and a image data set were used. The results show the feasibility and usability of these techniques, although in many cases they do not reach the performance of traditional approaches.

چکیده به فارسی (ترجمه ماشینی)

در عصر فناوری ، داده ها یک منبع به طور فزاینده ای هستند.این اهمیت در زمینه هوش مصنوعی (AI) در حال رشد است ، جایی که زمینه های فرعی مانند یادگیری ماشین (ML) برای دستیابی به نتایج بهتر به داده های بیشتری نیاز دارند.اینترنت اشیاء (IoT) علاوه بر دستیابی به بسیاری از کارهای دیگر ، اتصال سنسورها و اشیاء هوشمند برای جمع آوری و تبادل داده ها است.مقدار زیادی از منابع مورد نظر ، داده ها ، در دستگاه های تلفن همراه ، سنسورها و سایر دستگاه های اینترنت اشیاء (IoT) ذخیره می شود ، اما به دلیل محدودیت های محافظت از داده ها در آنجا باقی مانده است.در عین حال این دستگاه ها داده یا ظرفیت محاسباتی کافی برای آموزش مدلهای خوب ندارند.علاوه بر این ، انتقال ، ذخیره و پردازش تمام این داده ها بر روی یک سرور متمرکز مشکل ساز است.Federated Learning (FL) یک راه حل نوآورانه ارائه می دهد که به دستگاه ها اجازه می دهد تا به روشی مشترک بیاموزند.مهمتر از همه ، این کار را بدون نقض قوانین حمایت از داده ها انجام می دهد.در حال حاضر FL در حال رشد است و راه حل های مختلفی وجود دارد که آن را پیاده سازی می کنند.در این مقاله نمونه ای از راه حل FL که در آن دستگاه های IoT مورد استفاده تابلوهای تمشک PI بودند ، ارائه شده است.نتایج عملکرد یک راه حل از این نوع را با روشهای به دست آمده در رویکردهای سنتی مقایسه می کند.علاوه بر این ، عملکرد محلول FL در یک محیط خصمانه مورد آزمایش قرار گرفت.از یک شبکه عصبی حلقوی (CNN) و یک مجموعه داده تصویر استفاده شد.نتایج نشان می دهد امکان و استفاده از این تکنیک ها ، اگرچه در بسیاری از موارد به عملکرد رویکردهای سنتی نمی رسد.