Uczenie federacyjne oparte na przedziałowych systemach rozmytych / Federated Learning established on Interval-Valued Fuzzy Systems
|
Opis w języku polskim |
Description in English |
Dyscyplina / Discipline |
Informatyka techniczna i telekomunikacja |
Information and communication technology |
Promotor / Supervisor |
dr hab. Barbara Pękala, prof. UR bpekala@ur.edu.pl |
Phd, D.Sc. Barbara Pękala, Associate Professor bpekala@ur.edu.pl |
Tytuł tematu badawczego / Title of the research topic |
Uczenie federacyjne oparte na przedziałowych systemach rozmytych |
Federated Learning established on Interval-Valued Fuzzy Systems |
Opis tematu badawczego / Description of the research topic |
Ten projekt badawczy ma na celu zbadanie miękkich obliczeń, które zajmują się nieprecyzyjnymi lub niepewnymi danymi, oraz dostosowanie tych metod do federacyjnych systemów uczenia się. Federacyjne systemy uczenia się składają się z grup autonomicznych agentów (systemów lokalnych). Nie udostępniają własnych lokalnych baz danych. Zamiast tego każdy z nich lokalnie uczy pewien model uczenia maszynowego. Później udostępniają tylko parametry modelu do serwera. Następnie serwer agreguje parametry modeli i tworzy model globalny, z którego może korzystać każdy klient. Wykorzystane zostaną klasyczne metody uczenia maszynowego połączone z miękkimi obliczeniami. Te ostatnie, to głównie systemy rozmyte i przede wszystkim ich uogólnienia, które dobrze modelują niepewność i nieprecyzyjność danych i/lub decyzji, czyli uogólnione systemy wnioskowania przybliżonego. Efektywnym w tym aspekcie jest stosowana w ww. systemach teoria przedziałowych zbiorów rozmytych. |
This research project aims to explore soft computations that deal with imprecise or uncertain data and adapt these methods to federated learning systems. Federated learning systems consist of groups of autonomous agents (local systems). They do not provide their own local databases. Instead, each locally trains a certain machine learning model. After that, they only provide model parameters to the server. The server then aggregates the model parameters and creates a global model that can be used by any client. Classic machine learning methods combined with soft calculations will be used. The latter are mainly fuzzy systems and, above all, their generalizations that well model the uncertainty and imprecision of data and/or decisions, i.e. generalized systems of approximate reasoning. Effective in this aspect is used in the above-mentioned systems theory of interval fuzzy sets. |
Słowa klucze / Keywords |
Uczenie federacyjne; teoria zbiorów rozmytych; agregacja przedziałowych wartości rozmytych |
Federated learning; fuzzy set theory; aggregation of interval fuzzy values |
Oczekiwane kompetencje/umiejętności od kandydata na doktoranta / Expected competences/skills from the candidate for a PhD student |
Znajomość podstawowych zagadnień zw. ze sztuczną inteligencją, takich jak analiza danych oraz modele wnioskowania rozmytego, klasyfikacja, grupowanie czy regresja, itp. Umiejętność zastosowania algorytmów uczenia maszynowego przy jednoczesnym uwzględnieniu wszechobecnej niepewności i nieprecyzyjności danych / pomiarów lub decyzji, czyli z uwzględnieniem rachunku rozmytego i przedziałowo rozmytego. Zatem kandydat posiada podstawową wiedzę zw. z teorią zbiorów rozmytych i ich rozszerzeń. |
Knowledge of basic issues related to artificial intelligence, such as data analysis and fuzzy reasoning models, classification, clustering or regression, etc. The ability to apply machine learning algorithms while taking into account the ubiquitous uncertainty and imprecision of data / measurements or decisions, i.e. taking into account fuzzy and interval fuzzy calculus. Thus, the candidate has a basic knowledge of the theory of fuzzy sets and their extensions. |