R&D · 3 месяца
Федеративное обучение
Исследование методов распределённого обучения ML-моделей
−18%
смещение градиентов
+12%
стабильность сходимости
8
узлов в эксперименте
MLR&DРаспределённые системы
Медиа проекта
О проекте
Исследовали методы федеративного обучения и улучшили алгоритм агрегации градиентов. Результаты применены для задач обучения без централизованного хранения данных.
Ключевая сложность
Смещение градиентов при неравномерном распределении данных между клиентами (non-IID), нестабильность сходимости при отключении узлов.
Стек технологий
Python
PyTorch
Flower
NumPy
Docker
gRPC
Связанные разделы
Похожие кейсы
Похожая задача?
Обсудим и оценим за 5 рабочих дней.