Projekt Federated Decentralized Learning

Projektbeschreibung

Federated Decentralized Learning (FDL) ist ein vielversprechendes Paradigma für den datenschutzfreundlichen Einsatz von Machine Learning in verteilten Systemen. Durch verschlüsseltes, dezentrales Feedback können zentrale ML-Modelle trainiert werden, ohne dass sensible Nutzerdaten offengelegt werden müssen. Dies ist besonders für den industriellen Bereich relevant, da auf diese Weise zentrale, generische Lösungen entwickelt werden können, die vielfältige Anforderungen und Rahmenbedingungen verschiedener Kunden abdecken.

Um die Eignung solcher zentralen Modelle sicherzustellen, müssen sie in Bezug auf Robustheit, Flexibilität und Generalisierung systematisch getestet und bewertet werden. Dabei spielen zwei zentrale Themenkomplexe eine wichtige Rolle: „Testing and Robustness“, also die Frage, wie robust und anpassungsfähig ein Modell in unterschiedlichen Anwendungsszenarien ist, sowie „Heterogeneity“, also die Fähigkeit eines Modells, trotz unterschiedlicher Kundenanforderungen zuverlässig zu generalisieren.

Ziel des Projekts ist die Konzeption und Entwicklung von Methoden zur Umsetzung dieser Prüfverfahren. Im Fokus stehen dabei sowohl die systematische Evaluation zentraler Lösungen im Zusammenspiel mit heterogenem, dezentralem Feedback als auch die Entwicklung geeigneter Metriken und Testdaten zur Quantifizierung der genannten Eigenschaften.

Förderung durch

Siemens AG