Вісники та науково-технічні збірники, журнали

Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12

Browse

Has files: YesSubject: search.filters.subject.Federated Learning

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Модель інтеграції федеративного навчання в мережі мобільного зв’язку п’ятого покоління
    (Видавництво Львівської політехніки, 2022-03-01) Шубин, Б.; Максимюк, Т.; Яремко, О.; Фабрі, Л.; Мрозек, Д.; Shubyn, B.; Maksymyuk, T.; Yaremko, O.; Fabri, L.; Mrozek, D.; Національний університет “Львівська політехніка”; Lviv Polytechnic National University
    У роботі досліджено основні переваги використання федеративного навчання (FL) для обміну досвідом між інтелектуальними пристроями в середовищі мереж мобільного зв’язку п’ятого покоління. Цей підхід дає змогу будувати ефективні алгоритми машинного навчання у випадку використання конфіденційних даних, втрата яких може бути небажаною або навіть небезпечною для користувачів. Отже, для завдань, у яких важлива конфіденційність даних, що необхідні для обробки та аналізу, пропонуємо використовувати підходи FL. У такому випадку вся особиста інформація користувачів буде оброблятися локально на їхніх пристроях. FL забезпечує безпеку конфіденційних даних для абонентів, дає операторам мобільних мереж змогу зменшити кількість надлишкової інформації в радіоканалі та оптимізувати функціонування мобільної мережі. В роботі наведено трирівневу модель інтеграції федеративного навчання в мережу мобільного зв’язку та описано основні особливості цього підходу. Висвітлено також експериментальні дослідження, які демонструють результати використання запропонованого підходу.
  • Thumbnail Image
    Item
    Модель інтелектуального аналізу даних в IIoT
    (Видавництво Львівської політехніки, 2021-01-31) Климаш, М.; Гордійчук-Бублівська, О.; Коваль, Б.; Klymash, M.; Hordiichuk-Bublivska, O.; Koval, B.; Національний університет “Львівська політехніка”; Lviv Polytechnic National University
    В роботі подано огляд методів інтелектуальної обробки даних у системах промислового Інтернету речей. Наведено порівняння методів аналізу великих даних у промислових системах зі значним навантаженням. Запропоновано використовувати для опрацювання даних методи розподіленого машинного навчання. Розроблено програмну модель для аналізу даних різних обсягів. Проаналізовано основні підходи до організації машинного навчання: федеративне і нерозподілене навчання. Експериментально доведено ефективність використання федеративного машинного навчання, оскільки воно забезпечує вищу точність оброблення даних, навіть у разі збільшення їх обсягів. Визначено, що нерозподілене машинне навчання працює швидше, отже, може використовуватися в системах, пріоритетом для яких є менший час обробки даних. Такий підхід відкриває можливості створення адаптивної моделі системи промислового Інтернету речей, що здатна самонавчатися та коригувати власну інфраструктуру залежно від зміни параметрів.