Federated Learning Ibrido: Analisi e Performance

Questo elaborato tratterà l’innovativa idea di Federated Learning Ibrido (FLI). Questo sistema mira a fondere insieme due concetti fondamentali ma opposti dell’intelligenza artificiale: il Federated Learning (FL) e il Machine Learning (ML) centralizzato. La discussione sul FLI sarà basata su una ricerca sperimentale che comporta l’implementazione di un ambiente che simuli l’ibridazione di queste due tecniche di apprendimento automatico. In un mondo tecnologico in continua evoluzione in cui la decentralizzazione, la privacy dei dati e il libero arbitrio sono ormai un diritto degli utenti e un dovere per le imprese, non bisogna tuttavia venir meno ad un concetto basilare della tecnologia stessa: l’efficienza. L’obiettivo di questo studio sperimentale è quello di esaminare le performance di un sistema di apprendimento automatico ibrido basato sul FL, un paradigma avanzato di ML distribuito che consente a più dispositivi di addestrare in modo collaborativo un modello di IA, senza la necessità di condividere i dati grezzi. L’elaborato presenterà nel dettaglio il FL nelle sue peculiarità, lati positivi e limitazioni. Si passerà a illustrare il dataset FEMNIST, progettato per un ambiente federato e basato sul riconoscimento di immagini. Successivamente verrà descritta l’idea del Federated Learning Ibrido e della sua elaborazione operativa e, infine, si esaminerà lo studio sperimentale e verranno analizzati i risultati prodotti. L’ambizione della ricerca si è rivelata fondata, dato il vantaggio che porta unire un apprendimento centralizzato basato sull’efficienza con il FL basato sulla privacy. Le performance del sistema hanno mostrato un significativo aumento, tanto che il modello può registrare prestazioni con un miglioramento del 124