idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instance:
Share on: 
09/14/2021 14:22

FHWS: CAIRO beteiligt sich beim 29. ESANN-Symposium mit Beitrag zu kooperativem und vertrauensvollem Lernen

Katja Bolza-Schünemann M.A. Hochschulkommunikation
Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt

    Kompetenzzentrum stellt im Rahmen seines Mikrologistik-Projektes Methoden des Federated Learning vor

    Kooperatives Lernen mit individuellem Training isolierter Datensatz-Modelle in der Mikro-Logistik – zu diesem Thema referieren Mitarbeiter und Forschungspartner des Kompetenzzentrums für künstliche Intelligenz und Robotik (CAIRO) im Rahmen des 29. Europäischen Symposiums über künstliche neuronale Netze, Computational Intelligence und maschinelles Lernen „ESANN“.

    Prof. Dr. Frank-Michael Schleif, M. Sc. Christoph Raab und M. Sc. Moritz Heusinger von der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt und Prof. Dr. Fabrice Rossi der Université Paris Dauphine PSL halten einen Vortrag zum Thema „Federated Learning – Methods, Applications and Beyond“. Im Zuge des an der FHWS neu initiierten Zentrums CAIRO zeigen sie mit dem Mikrologistik-Projekt „FlowPro" (Ansprechpartner: Prof. Dr. Christian Bachmeir) Möglichkeiten föderalen, maschinellen Lernens auf.

    Zum Federated Learning

    Federated Learning ist eine Methode des verbundenen, maschinellen Lernens, das einzelne Klienten oder Geräte dazu in die Lage versetzt, anhand eines gemeinsamen Modells zu „lernen“. Prof. Dr. Schleif erläutert: „Ein Machine Learning-Modell dient z.B. dazu, Daten in Gruppen zuzuweisen. Bei dieser Klassifikation von Daten wird ein Vorhersagefehler minimiert. Dies geschieht in der Regel über eine Summe von Einzelfehlern, die aus einem Trainingszyklus über allen Trainingspunkten ermittelt werden. Sehr vereinfacht könne man sagen, dass die Nutzerinnen und Nutzer die Einzelfehler bzgl. des Modells ausrechnen und dann die Korrekturvorschläge an eine Zentrale schicken. Diese lokalen Fehler werden von der zentralen Instanz ausgewertet und das Modell so aktualisiert, dass der Gesamtfehler der Vorhersage kleiner wird. Dabei werden keine Daten ausgetauscht, sondern eben nur Modell-Updates (so eine Art Korrekturvorschläge), und nach Zusammenlegung der Korrekturen werden die verbesserten Parameter des neuen Modells allen Klienten übermittelt. Es können klinische Daten und Krankenhäuser sein oder, wie an der FHWS, im FlowPro-Projekt Sensordaten und Drohnen. Dieses Verfahren funktioniert mit vielen Modellarten, ist aber im Detail nicht ganz einfach umzusetzen. Für manche Vorhersagemodelle muss man sehr viele ,Stellschrauben´ anpassen.“

    Zum FlowPro-Projekt der FHWS

    Das vom Bundesministerium für Verkehr und digitale Infrastruktur sowie von der Forschungsinitiative mFUND bis zum 30. Juni 2023 geförderte Projekt hat die Mikrologistik der Zukunft mit dezentral organisierten boden- und luftgebundenen autonomen Fördereinheiten im Fokus. FlowPro verfolgt zwei Ziele:

    1. Design und prototypische Implementierung eines dezentralen Mikrologistiksystems in einem kontinuierlichen Evaluierungs- und Feedback-Kreis um das Thema Security
    2. die Entwicklung einer automatischen, dezentralen Angebots-Komponente als Kernfunktion des Logistiksystems in einem Federated Learning-Ansatz.

    Um schnell auf Änderungen der Umgebungsparameter zu reagieren und Modelle in neuen Umgebungen schnell zu lernen, baut die Komponente auf Transferlernen auf.

    Zum ESANN-Symposium

    Das Symposium wird seit 1993 veranstaltet. Im Zentrum stehen die Bereiche maschinelles Lernen, Computational Intelligence und künstliche neuronale Netze. Das 29. "ESANN" Symposium findet vom Mittwoch bis Freitag, 6. bis 8. Oktober, in Brügge, Belgien mit rund 150 internationalen Beteiligten statt.


    Contact for scientific information:

    Hochschule Würzburg-Schweinfurt
    Fakultät Informatik und Wirtschaftsinformatik
    Prof. Dr. Frank-Michael Schleif
    Sanderheinrichsleitenweg 20
    97074 Würzburg
    0931-3511-8127
    frank-michael.schleif[at]fhws.de


    Images

    Typisches Beispielszenario für Federated Learning: Es wird aus vielen kleinen lokalen Modellen ein zentrales Prognosemodell für eine klinische Fragestellung gelernt, ohne dass die Daten verschickt werden müssen (Datenschutz).
    Typisches Beispielszenario für Federated Learning: Es wird aus vielen kleinen lokalen Modellen ein z ...

    (Grafik FHWS / Magda Gregorova)


    Criteria of this press release:
    Journalists, Scientists and scholars, Students
    Information technology
    transregional, national
    Research projects, Scientific conferences
    German


     

    Typisches Beispielszenario für Federated Learning: Es wird aus vielen kleinen lokalen Modellen ein zentrales Prognosemodell für eine klinische Fragestellung gelernt, ohne dass die Daten verschickt werden müssen (Datenschutz).


    For download

    x

    Help

    Search / advanced search of the idw archives
    Combination of search terms

    You can combine search terms with and, or and/or not, e.g. Philo not logy.

    Brackets

    You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).

    Phrases

    Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.

    Selection criteria

    You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).

    If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).