Τεχνολογίες IoT και αρχιτεκτονικές για Federated Learning: Συγκριτική μελέτη

Abstract

Αυτή η διατριβή αναλύει την Ομοσπονδιακή Μάθηση (Federated Learning – FL), ένα αποκεντρωμένο παράδειγμα μηχανικής μάθησης που δίνει προτεραιότητα στην ιδιωτικότητα των δεδομένων. Ξεκινά με μια εισαγωγή στην FL, τονίζοντας τη διαφοροποίησή της από την παραδοσιακή κατανεμημένη μάθηση. Η εργασία υπογραμμίζει τις μετασχηματιστικές δυνατότητες της FL σε τομείς όπως τα έξυπνα τηλέφωνα (smartphones), η υγειονομική περίθαλψη και η άμυνα, αντιμετωπίζοντας παράλληλα και προκλήσεις όπως η ετερογένεια της επικοινωνίας και οι αντίπαλες απειλές. Παρέχεται μια ολοκληρωμένη σύγκριση μεταξύ της FL και των παραδοσιακών συγκεντρωτικών μεθόδων μηχανικής μάθησης, καλύπτοντας διάφορους τύπους μοντέλων. Η συζήτηση μεταβαίνει στα ειδικά χαρακτηριστικά της Ομοσπονδιακής Μάθησης, δίνοντας έμφαση στην ιδιωτικότητα των δεδομένων και εξατομίκευση, και παρουσιάζει τους επικρατέστερους αλγορίθμους και εργαλεία. Ένα σημαντικό τμήμα είναι αφιερωμένο στις πιθανές στρατηγικές επίθεσης σε συστήματα FL, προσφέροντας πληροφορίες για απειλές όπως η αντιστροφή μοντέλου, η υποκλοπή και η δηλητηρίαση δεδομένων, μαζί με τις στρατηγικές αντιμετώπισής τους. Η διατριβή ολοκληρώνεται παρέχοντας μια συνολική επισκόπηση της τρέχουσας κατάστασης της FL και των μελλοντικών επιπτώσεων, λειτουργώντας ως ένας συνοπτικός οδηγός για την πολυπλοκότητα της Ομοσπονδιακής Μάθησης.