分析印度杂志
现在读
群学习-去中心化机器学习框架
分析印度杂志

群学习-去中心化机器学习框架


传统的集中式机器学习方法在不同位置同时快速生成海量数据方面存在局限性。为了应对这一挑战,需要去中心化的方法。群体学习,一种自然启发的计算技术,正在被解决方案架构师首选,以实现分散的机器学习系统。在本文中,首先,我们将了解集中式学习技术的问题,然后我们将讨论分散式学习方法的好处。之后,我们将了解群体学习如何成为一种有效的去中心化机器学习可以解决集中式学习系统挑战的框架。下面列出了本文要讨论的要点。

表的内容

  1. 集中式/传统学习技术的问题
  2. 使用分散学习技术的预期解决方案
    1. 有效的
    2. 安全
    3. 保护隐私
  3. 群学习
    1. 蚁群优化
    2. 粒子群优化
  4. 群学习的应用

让我们从理解集中式学习技术所面临的问题开始我们的讨论。

集中式/传统学习技术的问题

在不同的领域,我们可以看到数据日益分布的特性,因为来自不同来源的数据正在迅速增长,这对集中式学习方法是一个挑战。让我们以自动驾驶汽车为例,其中激光雷达、雷达和视觉等传感器每天产生pb级的数据。这些数据以前所未有的速度生成。而且产生的数据的位置是分布式的,因为车里有各种各样的传感器。如果将这类数据存储在一个集中的位置,那将是非常可怕的。

传统学习技术的第二个挑战是数据集中在一个位置,数据的隐私和安全性。大多数集中式机器学习算法都需要整合数据,然后需要转移到不同的来源,这通常会导致数据泄露,许多行业,比如医疗行业,这些数据汇总了人们的个人信息,其中的行为习惯和分散在许多来源可以侵犯个人的隐私。

传统集中化的另一个局限性毫升模型来自数据保管域。我们看到,大多数公司都是自己的数据生成器,他们使用另一个实体来分析、清理和收集这些数据。这些实体有自己的基础结构,用于对数据执行上述给定的操作。数据所有者与数据托管实体的分离造成了数据垄断,大量数据利润进入了不同实体的口袋。

分散式学习技术的预期解决方案

正如我们刚才讨论的集中式学习技术的缺点和问题。其中许多问题可以通过去中心化学习技术来克服。为了理解它,让我们来理解任何去中心化机器学习方法的以下属性:

  • 有效的

正如我们所知道的,我们对任何类型的数据所使用的ML都应该是准确、高效的,并且能够处理数据的高分布。分散学习算法更关注数据的分布,需要更擅长处理高度分布的数据。使用他们的技术分配工作负荷,连接同行,我们应该在准确性和效率方面得到更高的结果。此外,这些学习技术应该有处理不平衡数据的选项。

  • 安全

我们已经讨论了集中式学习技术的安全问题。去中心化的ML具有安全特性,确保在学习过程中只有可信的参与者可以在其中。这些可以被认为是区块链技术只有可信的参与者可以在当前执行更改,并且区块链与其他技术相比具有较高的安全性

  • 保护隐私

去中心化的最佳特征之一是提供更好的隐私。ML的去中心化应该让所有者更好地控制他们在数据中呈现的敏感信息。

在上面的部分中,我们已经看到了集中式学习技术的缺点,以及我们如何使用分散式学习技术来克服它们。可以有各种分散的学习方法,群学习就是其中之一,我们利用分布式数据的力量。这种学习方式实际上是通过一些自然或生物过程激发出来的。在本文的下一部分,我们将讨论群体学习。

群学习

群体学习是人工智能机器学习研究中,群体学习的主要焦点是评估去中心化系统的行为,正如我们在文章的上面部分看到的,我们有各种各样的问题与集中学习技术,我们的大多数传统模型都依赖于它。一个分散的系统可能有助于我们克服集中式学习方法的困难。这种学习背后的基本思想来自于蚁群或鸟群的操作方式。转化为计算智能系统。

以到达目的地的鸟群为例,每只鸟都在到达目的地的过程中扮演部分角色,每只鸟的行动都可以看作是其对到达目的地的全局行动的贡献。在群体学习中,一个全局系统被划分为多个agent及其环境。agent的相互作用行为导致全局解行为。就神经网络而言,我们可以说这些交叉代理是一组神经元,它们基本上是作为一个团队来寻找最好的位置。

我们可以说,群体学习通过两种主要的优化技术传播。

  • 蚁群优化(ACO)
  • 粒子群优化(PSO)

让我们详细地了解这些技术。

蚁群优化

我们都知道蚁群是如何寻找食物的。我们经常看到蚂蚁排成一条或多条线走向食物。同样,蚁群优化(ACO)是一种求解计算问题的技术,也可以说蚁群优化是一种求解计算问题的技术概率方法为了在图中找到好的路径,从而得到问题的最优解。这个图是一组不同的相关对象的结构。将人工姑妈算法与求解优化问题的一些启发式算法相结合,可作为优化图的蚁群算法,可用于车辆路径选择或网络路径选择。

图片来源

上图是在a点和B点之间选择最短路径的表示,图中使用的是最短长度的路径。定义蚁群方法是一种危险。不同的作者对蚁群算法的定义不同。我们可以粗略地说,蚁群优化技术是一个填充的元启发式算法,每个解由在搜索空间中移动的一只蚂蚁表示。下图展示了蚁群从初始阶段到最后阶段寻找食物的最短路径。

另请参阅

图片来源

粒子群优化

正如我们所看到的蚁群优化我们使用图寻找问题的最优解决方案给您这也是一种优化技术,基本上是依赖的方法,我们尝试改善候选解决方案以迭代的方式找到一个最优解的问题的解决方案。候选解的集合可以被视为粒子,在搜索空间中移动这些粒子,给出了关于运动中粒子的位置和速度的简单数学函数的问题的解。任何粒子的运动总是受其在搜索空间中的最佳位置以及通过移动引导粒子到该空间的函数的影响。通过这些程序,它有望将蜂群推向最佳解决方案。

图片来源

上图是粒子群优化算法的表示,其中粒子搜索函数的全局最小值。

这种优化技术也是一种元启发式,因为它也没有对问题做出任何假设,而且使用它我们可以搜索非常大的空间。

在上面,我们已经看到了什么是群学习,以及我们如何在群学习下处理不同的优化技术。群体学习可以有各种各样的应用,我们将在下一节讨论群体学习的一些重要应用。

群学习的应用

根据以上的直觉,我们可以说,群体学习是一种去中心化学习的方式,它可以作为我们在面对集中学习挑战时的补救措施。此外,群体学习还有很多好处。它可以被广泛应用于各种领域。下面列出了它发挥重要作用的一些重要领域:

  • 群体学习可以用于道路交通控制。其中一个可行的例子是美国军方,他们使用集群技术来控制无人驾驶飞行器。
  • 在空间技术中,也有群体学习的应用。欧洲航天局和美国宇航局正在使用群体技术来解决空间技术方面的问题,在行星测绘方面,美国宇航局正在使用群体学习,并正在开发用于自组装和干涉测量的轨道群体。
  • 有一些在医学领域使用群体学习的例子,如1992年George A. Bekey讨论了使用群体学习来控制纳米机器人的可能性,这些纳米机器人将用于体内杀死癌症肿瘤。al- rifae和Aber已经使用群体学习来帮助定位肿瘤。
  • 群体学习还可以应用于数据挖掘和聚类分析领域。

最后的话

在这篇文章中,我们看到了传统集中式学习技术存在的问题,以及我们如何使用分散式学习技术来克服这些缺点或集中式学习技术的问题。群学习是一种分散学习技术,主要有蚁群优化和粒子群优化两种方法。我们还讨论了这些部分以及群学习的应用。

你怎么看?

订阅我们的通讯

通过分享你的电子邮件获得最新的更新和相关的优惠。
加入我们的Telegram Group。成为一个有吸引力的社区的一部分

188BET网页

滚动到顶部
Baidu