Framing Federated Learning: Sviluppo di un Framework per l’Analisi delle Architetture Centralizzate e Distribuite

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.