Ağ duyarlı federe sinir mimarisi araması

Derin Öğrenme, teknolojik yenilikleri şekillendirerek dünyayı farklı yönlerde önemli ölçüde etkiledi. DL ile Nesnelerin İnterneti arasındaki işbirliği, bu gelişmeleri daha da ileri taşıyarak akıllı cihazların DL destekli uygulamalar için hem veri kaynağı hem de uç nokta olarak hizmet etmesine olanak tanıdı. Ancak DL'nin başarısı, optimum Derin Sinir Ağı mimarilerine dayanır ve bu tür sistemleri geliştirmek, kapsamlı uzmanlık ve zaman gerektirir. Sinir Mimarisi Araması gibi otomatik makine öğrenimi yöntemleri, en iyi performansa sahip sinir mimarilerinin aranmasını otomatikleştirmek için geliştirilmiştir. Bu sırada, Federe Öğrenme, cihazların ve kullanıcıların özel verilerinin paylaşılması gerekmeden işbirlikçi model geliştirmeyi mümkün kılarak veri gizliliği endişelerini giderdi. Bu tez, sınırlı hesaplama kaynaklarına ve değişen ağ koşullarına sahip IoT cihazlarının maruz kaldığı zorlukları ele alan Federe Öğrenme ve Sinir Mimarisi Araması arasındaki işbirliğine odaklanmaktadır. Katkılar arasında, gerçek dünyadaki senaryoları simüle etmeyi ve dağıtılmış bir ağdaki modellerin boyutunu verimli bir şekilde azaltmayı amaçlayan, ağ emülasyon desteğine sahip açık kaynaklı bir federe sinir ağı budama aracının geliştirilmesi yer alıyor. Hem cihazların hassas verilerinin sınıf dağılımlarını hem de ağ bant genişliği koşullarını dikkate alarak iletişim verimliliğini optimize etmek için yeni bir istemci gruplama algoritması önerilmiştir. Ayrıca, ağ bant genişliğinin federe öğrenme, özellikle de iletişim turları üzerindeki etkisinin ayrıntılı bir şekilde araştırılması, verimli federe öğrenme sistemlerinin tasarlanması için faydalı sonuçlar sağlamıştır. Hesaplama verimliliğinin, veri gizliliğinin ve ağ koşullarının önemli rol oynadığı IoT sistemlerinde federe sinir mimarisi araştırması uygulanmasına katkı sağlamıştır.