Federated Learning: Budowanie modeli uczenia maszynowego bez wglądu w rozproszone dane
0 likes83 views
Federated Learning: Budowanie modeli uczenia maszynowego bez wglądu w rozproszone dane Powszechnie stosowanym podejściem do budowy modeli uczenia maszynowego jest scentralizowane uczenie (centralised learning). Zbieramy wszystkie dostępne dane na maszynę centralną, przygotowuje zbiór treningowy, walidacyjny oraz testowy i uczymy nasz nowy model. Jednakże, w niektórych przypadkach dane dostępne na urządzeniach lokalnych nie mogę zostać przesłane i zgromadzone centralnie. Głównym powodem jest poufność tych danych czy ograniczenia związane z ich wielkością i możliwością przesłana. Rozwiązaniem, które pozwala na uczenie modeli globalnych na wszystkich danych rozproszonych po wielu urządzeniach brzegowych (edge device) lub serwerach bez bezpośredniego wglądu do tych danych jest Federated Learning. W trakcie prezentacji zostaną omówione wszystkie główne zagadnienia związane z tym podejściem oraz wskazane dlaczego to podejście może być wykorzystane również w przypadku firm, które nie korzystają z danych zbieranych przez urządzenia typu edge device. Prezentacja Rafała Wojdana z Sotrendera na AI & NLP Day 2020
Federated Learning: Budowanie modeli uczenia maszynowego bez wglądu w rozproszone dane
- 1. Federated Learning: Budowanie modeli uczenia maszynowego bez wglądu w rozproszone dane Autorzy: Rafał Wojdan AI & NLP Day 2020 1
- 2. Scentralizowane uczenie (Centralised learning) 2 https://ekkono.ai/wp-content/uploads/2020/06/SWP_Federated_Lear ning_Ekkono_Solutions_May_2020.pdf
- 3. Rośnie rynek IoT i Mobile 3 Wyzwania dla scentralizowanego uczenia ● Łączność (Connectivity) ● Przepustowość łącza (Bandwidth) ● Opóźnienie (Latency) ● Prywatność (Privacy)
- 5. Federated Learning (Od 2019) 5 https://medium.com/accenture-the-dock/instilling-responsible-and-reliable-ai-development-with-federated-learning-d23c366c5efd
- 6. FL - korzyści 6 Mniejsze wymagania sprzętowe: ● Łączność (Connectivity) ● Przepustowość łącza (Bandwidth) Predykcja w czasie rzeczywistym ● Opóźnienie (Latency) Uczenie bez wglądu do danych ● Prywatność (Privacy) Globalny model ● Generalizacja
- 7. Algorytmy update modelu w FL 7 ● Federated Averaging (FedAvg) ● Federated Stochastic Gradient Descent (FedSGD) ● Federated Learning with Matched Averaging (FedMA) https://arxiv.org/pdf/1602.05629.pdf
- 8. Uśrednianie modelu (FedAvg) vs uśrednianie gradientu (FedSGD) 8 https://arxiv.org/pdf/1602.05629.pdf Porównanie: ● FedSGD gwarantuje zbieżność ● FedAvg lżejszy komunikacyjnie (mniej update’ów modelu globalnego) Przykład CIFAR-10 Liczba update’ów dająca 82% dokładności (Accuracy): ● FedSGD 6 600 ● FedAvg 630 FedAvg 10x mniej rund niż FedSGD
- 9. Nowe hiperparametry 9 Hiperparametry: C - część klientów, którzy uczestniczą w uczeniu w każdej rundzie E - liczba iteracji treningowych u każdego klienta na lokalnym zbiorze B - rozmiar lokalnego mini-batcha Więcej: https://arxiv.org/pdf/1602.05629.pdf
- 10. Wyzwania techniczne dla Federated Learning 10 ● Komunikacja ○ Liczba aktualizacji modelu globalnego ○ Przesłanie nowego modelu globalnego na urządzenia lokalne ● Zmienny udział lokalnych urządzeń ○ Część urządzeń dostępnych do update’u ○ Ograniczenia sprzętowe lokalnych urządzeń ○ Odłączenie od sieci FL ● Ochrona prywatności
- 12. Wyzwania MLowe dla Federated Learning 12 ● Inference attack ● Model poisoning ● Prywatność danych (Memorization) ● Heterogeniczność danych
- 14. GBoard 14 Wzrost o 26% Poprawa CTR o 10% GBoard - predykcja następnego słowa https://arxiv.org/pdf/1811.03604.pdf
- 15. Memorization 15 https://www.pdl.cmu.edu/SDI/2019/slides/2019-09 -05Federated%20Learning.pdf A co jeśli model językowy będzie za dobry?
- 17. Różne architektury i business case’y 17 https://www.arxiv-vanity.com/papers/1902.04885/
- 18. Problem dobry do zastosowania Federated Learning 18 1) Dane ze źródła lepsza niż dane przybliżone (proxy data) dostępne centralnie 2) Wymóg prywatności 3) Dostępność etykiet - są generowane w ramach procesu np. przez użytkowników Your problem and FL have liked each other PROBLEM FEDERATED LEARNING
- 19. Czemu korzystamy z FL w Sotrender? 19 Nasze wyzwania: ● Zróżnicowanie rozkładów w czasie ● Zróżnicowanie rozkładów pomiędzy klientami ● Zróżnicowany rozmiar danych ● Małe dane per klient Separacja danych FB Nie korzystamy z danych mobile. Nie korzystamy z danych edge device. Ale… Jak szpitale musimy zachować prywatność danych klientów.
- 20. Rozwiązania open source 20 ● Xgboost https://github.com/mc2-project/secure-xgboost ● TFF - Tensorflow Federated ● PySyft dla PyTorcha ● IBM differential privacy https://github.com/IBM/differential-privacy-library
- 22. Problem 22 https://www.pdl.cmu.edu/SDI/2019/slides/2019-09-05Federated%20Learning.pdf Coraz więcej danych on the edge, rośnie prywatność. Ale co z analizami i ML. Trochę historii 2014 -2019, trzy rozwiązania
- 23. Różnice między tradycyjnym rozproszonym uczeniem, a Federated Learning 23 https://www.pdl.cmu.edu/SDI/2019/slides/2019-09-05Fede rated%20Learning.pdf
- 24. Korzyści 24 Benefits Here are some primary benefits of federated machine learning: ● FL enables devices like mobile phones to collaboratively learn a shared prediction model while keeping the training data on the device instead of requiring the data to be uploaded and stored on a central server. ● Moves model training to the edge, namely devices such as smartphones, tablets, IoT, or even “organizations” like hospitals that are required to operate under strict privacy constraints. Having personal data remain local is a strong security benefit. ● Makes real-time prediction possible, since prediction happens on the device itself. FL reduces the time lag that occurs due to transmitting raw data back to a central server and then shipping the results back to the device. ● Since the models reside on the device, the prediction process works even when there is no internet connectivity. ● FL reduces the amount of hardware infrastructure required. FL uses minimal hardware and what is available in mobile devices is more than enough to run the FL models.
- 25. Wyzwania dla Federated Learning 25 Challenges ● There are a number of core challenges associated with FL. First, communication is a critical bottleneck in FL networks where data generated on each device remain local. In order to train a model using data generated by the devices in the network, it is necessary to develop communication-efficient methods that reduce the total number of communication rounds, and also iteratively send small model updates as part of the training process, as opposed to sending the entire data set. ● Additionally, FL methods must: anticipate low levels of device participation, i.e. only a small fraction of the devices being active at once; tolerate variability in hardware that affects storage, computational, and communication capabilities of each device in a federated network; and be able to handle dropped devices in the network. ● Finally, FL helps to protect data generated on a device by sharing model updates such as gradient data instead of raw data. But communicating model updates throughout the training process can still reveal sensitive information, either to a third party, or to the central server.
- 26. Model memorization 26 Understanding and mitigating the risks of model memorization is an active area of research. Techniques to measure memorization are explored, e.g. in the 2018 paper The Secret Sharer: Measuring Unintended Neural Network Memorization & Extracting Secrets. Memorization risk can be mitigated by pre-filtering rare or sensitive information before training. More sophisticated mitigation techniques include differentially private model training as explored, for example, in the 2018 paper Learning Differentially Private Recurrent Language Models, which shows how to learn model weights that are not too dependent on any one device’s data. For more information on differential privacy, the canonical textbook “The Algorithmic Foundations of Differential Privacy” by Cynthia Dwork and Aaron Roth is available from NOW publishers and online. https://federated.withgoogle.com/#about
- 27. Wyzwania dla Federated Learning 27 Tutaj są 3 fajne: ML, komunikacja i privacy https://medium.com/accenture-the-dock/instilling-responsi ble-and-reliable-ai-development-with-federated-learning-d 23c366c5efd ● Wyzwania dla FL https://medium.com/datadriveninvestor/an-overview-of-federated-learning-8a1a62b0600d 1. Inference attack - pozyskanie informacji o specyficznych userach -> rozwiązanie to differential privacy https://medium.com/georgian-impact-blog/a-brief-introduction-to-differential-privacy-eacf8722283b 2. Model poisoning
- 28. Wyzwania ML dla Federated Learning 28 1. Problemy ML - moim zdaniem 1. Rozkład danych 2. Ile epoch uczenia lokalnie 3. Ogólnie hiperparameters tuning 4. Wagi udziału każdego klienta https://www.pdl.cmu.edu/SDI/2019/slides/2019-09-05Federated%20Learning.pdf kilka ciekawych przykładów nie tylko ML
- 29. Differential privacy 29 https://towardsdatascience.com/ai-differential-privacy-and- federated-learning-523146d46b85 Super przykład z kartą kredytową https://www.pdl.cmu.edu/SDI/2019/slides/2019-09-05Fede rated%20Learning.pdf