Vertrauen Sie uns, dass das 2025er-Programm wieder gut wird? Dann nutzen Sie jetzt das Blind-Bird-Ticket!

Föderiertes Lernen: Eine Reise von der Theorie bis zur Umsetzung

Der Anteil an mobilen Geräten sowie die dort entstehenden Datenmengen steigen immer weiter. Gleichzeitig wachsen rechtliche Rahmenbedingungen sowie die Sensibilität bei den Verbrauchern bezüglich Datenschutz. Bei einer zentralen Verarbeitung von Daten aus externen Quellen hat man es mit Risiken wie Datenlecks und hohen Compliance-Anforderungen zu tun.

Eine mögliche Lösung ist föderiertes maschinelles Lernen (FL). Das heißt: Jedes Gerät trainiert ein lokales Model und überträgt lediglich ein Modell-Update; die Daten verbleiben zu jeder Zeit am Ursprungsort.

Unser Beitrag gibt eine breite Einführung und einen Vergleich zwischen lokalen und föderierten Trainingsmethoden (inkl. Datenmanagement und Modell-Architekturen). Im Vortrag werden wir auch darauf eingehen, wie sich potenziell negative Effekte durch verteiltes Training abmildern lassen und wie FL zur Erschließung neuer Geschäftsmodelle genutzt werden kann.

Vorkenntnisse

  • Kenntnisse im ML-Bereich
  • Grundlegendes Verständnis von verteilten Systemen (Client-Server-Architektur)

Lernziele

Die Teilnehmer verfügen nach dem Vortrag über ein Grundverständnis von Techniken zum Föderierten Lernen. Dies schließt technische Vor- und Nachteile der Ansätze ein sowie etwaige wirtschaftliche Implikationen. Hörer:innen werden zudem in die Lage versetzt, eine initiale Abschätzung zu treffen, ob föderierte Lerntechniken für ihre Produkte und Prozesse Relevanz haben.

Speaker

 

René Schwermer
René Schwermer ist Doktorand am Lehrstuhl für Decentralized Information Systems & Data Management an der TU München im Bereich datenschutzorientiertes Maschinelles Lernen mit einem Fokus auf Anwendungen aus der Energiebranche. Vorher war er an anderen öffentlichen und privaten Forschungseinrichtungen im Bereich Wärmeerzeugung/-speicherung/-verteilung sowie Wasserkraft tätig.

Herbert Woisetschläger
Herbert Woisetschläger ist Doktorand am Lehrstuhl für Decentralized Information Systems & Data Management der TU München. Er forscht zu datenschutzorientiertem Machine Learning in verteilten, skalierenden Systemen (u.a. Edge Computing). Zuvor war Herbert als Berater für digitale Transformation und Performanceanalyse in den USA, der Schweiz und Deutschland tätig.

M3-Newsletter

Ihr möchtet über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden