Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Bachelor's Thesis |
| Scope | Discipline-based scholarship |
| Title | Design and Implementation of a Byzantine Robust Aggregation Mechanism for Decentralized Federated Learning |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2023 |
| Abstract Text | Federated learning has become increasingly more popular due to limitations of the traditional machine learning methods regarding the data privacy. In addition due to technological evolution, the data volume in general has increased by a lot. Mobile devices are capable of storing more and more data. While traditional machine learning methods struggle to deal with these concerns, federated learning emerged from these problems. Two main approaches have been mainly used namely Centralized and Decentralized Federated Learning. The former one has gotten much more attention in comparison with its counterpart and thus possesses many aggregation rules which are resistant to attacks. The goal of this thesis is to propose a new aggregation rule which is resistant to attacks against the machine learning model for the decentralized setting to fill a gap where the research has no reached yet. This is done by extending an existing framework fedstellar, for federated learning. The case studies as part of the evaluation evaluate the algorithm on performance and resource consumption related metrics. They indicate that the performance of the algorithm depends on the situation. They also show the limitation of the algorithm and possibilities of expanding the algorithm to other applications. |
| Zusammenfassung | Föderales Lernen wird immer populärer, da die herkömmlichen Methoden des maschinellen Lernens immer mehr an ihre Grenzen kommen. Mit dem technologischen Wandel können die heutigen Geräte wie mobile Telefone, immer mehr Daten speichern. Um diese kostbaren Daten nutzen zu können, müssen immer mehr Daten transferiert werden. Zum einen verletzt dies die Datenprivatsphäre, da nicht jede Person seine persönlichen Daten teilen möchte. Zum anderen ist es nicht immer möglich die Unmengen von Daten zu transferieren. Um dieses Problem entgegenzusetzen ist Föderales Lernen entstanden. Mit dieser neuen Technik lässt sich die erwähnten Probleme umgehen, da keine Daten Transfer mehr benötigt wird. Es gibt zwei Hauptmethoden, die sich bisher bewährt haben, ein zentralisierter und dezentralisierter Ansatz. Zum zentralisierten Ansatz gibt es schon viele Methoden, da diese auch sehr beliebt und oft genutzt wurde. Der andere Ansatz hingegen, blieb bisher noch im Schatten. Diese Arbeit zielt daraufhin, eine neue sichere Aggregationsregel zu finden, welche im dezentralen Ansatz funktioniert, um die Forschung in diesem Gebiet voranzutreiben. Dies geschieht durch eine Erweiterung auf einem existierenden Framework fedstellar, welches den dezentralen Ansatz simuliert oder sogar ausführt. Die Evaluation des Algorithmus hat gezeigt, dass dieser situationsabhängig ist und in manchen besser funktioniert als anderen. Des Weiteren wird auch gezeigt, wo die Grenzen sind und wie man diesen Algorithmus auf andere Plattformen erweitern kann, um seine Performance weiter zu testen. |
| PDF File |
Download
|
| Export |
BibTeX
|