Di Vaira, Giacomo
(2023)
Framing Federated Learning: Sviluppo di un
Framework per l’Analisi delle Architetture
Centralizzate e Distribuite.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Informatica [LM-DM270]
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (7MB)
|
Abstract
Nella mia tesi ho trattato una nuova metodologia di addestramento per i modelli di intelligenza artificiale, nello specifico il federated learning. Dopo aver analizzato nel dettaglio tutti i vantaggi e i limiti che questo comporta, ho presentato un nuovo Framework da me sviluppato e chiamato "SmartFed". Ho dimostrato eseguendo delle simulazioni di addestramento federato attraverso l'utilizzo di "SmartFed" come esso sia in grado di gestire correttamente questa tipologia di sistema. Dopo l’addestramento ho eseguito vari test, al termine dei quali ho potuto confrontare i risultati ottenuti dal modello addestrato utilizzando “SmartFed” con quelli derivanti da un addestramento classico. Ho quindi potuto appurare l'effettivo funzionamento di questa tipologia di addestramento e per conseguenza anche il corretto funzionamento del mio framework. Per rendere i vari esperimenti maggiormente significativi, in ciascuno di questi ho deciso di utilizzare lo stesso modello (YOLO) e lo stesso database (Vis-drone), cambiando però sia la distribuzione dei campioni sui diversi partecipanti che i parametri previsti dal framework implementato. Dall’esito di questi esperimenti è risultato che il federated learning è una metodologia di addestramento resistente all’eventuale assenza di alcuni partecipanti in alcuni Round.
Abstract
Nella mia tesi ho trattato una nuova metodologia di addestramento per i modelli di intelligenza artificiale, nello specifico il federated learning. Dopo aver analizzato nel dettaglio tutti i vantaggi e i limiti che questo comporta, ho presentato un nuovo Framework da me sviluppato e chiamato "SmartFed". Ho dimostrato eseguendo delle simulazioni di addestramento federato attraverso l'utilizzo di "SmartFed" come esso sia in grado di gestire correttamente questa tipologia di sistema. Dopo l’addestramento ho eseguito vari test, al termine dei quali ho potuto confrontare i risultati ottenuti dal modello addestrato utilizzando “SmartFed” con quelli derivanti da un addestramento classico. Ho quindi potuto appurare l'effettivo funzionamento di questa tipologia di addestramento e per conseguenza anche il corretto funzionamento del mio framework. Per rendere i vari esperimenti maggiormente significativi, in ciascuno di questi ho deciso di utilizzare lo stesso modello (YOLO) e lo stesso database (Vis-drone), cambiando però sia la distribuzione dei campioni sui diversi partecipanti che i parametri previsti dal framework implementato. Dall’esito di questi esperimenti è risultato che il federated learning è una metodologia di addestramento resistente all’eventuale assenza di alcuni partecipanti in alcuni Round.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Di Vaira, Giacomo
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
Federated learning,Framework,AI,Deep Learning,YOLO,Object detection,VisDrone Dataset
Data di discussione della Tesi
19 Luglio 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Di Vaira, Giacomo
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
Federated learning,Framework,AI,Deep Learning,YOLO,Object detection,VisDrone Dataset
Data di discussione della Tesi
19 Luglio 2023
URI
Statistica sui download
Gestione del documento: