Administrative information

Title	Theory of Federated Learning (Profiling and Personalization)
Duration	45-60 min
Module	C
Lesson Type	Lecture
Focus	Technical - Future AI
Topic	Advances in ML models through a HC lens - A result Oriented Study

Keywords

Federated Learning, knowledge-based system, privacy preservation,

Learning Goals

Provide the motivations for doing Federated Learning
Provide an initial understanding of the basic techniques for Federated Learning
Discuss the main limitations and the challenges connected to them

Expected Preparation

Learning Events to be Completed Before

Obligatory for Students

Basic knowledge of probability and statistics
Basic understanding of deep learning training (SGD, backpropagation algorithm) and evaluation techniques
Introduction to machine learning and deep learning concepts given in previous lectures

Optional for Students

None.

References and background for students

None.

Recommended for Teachers

Lesson materials

Lecture Slides - Theory of Federated Learning

The materials of this learning event are available under CC BY-NC-SA 4.0.

Instructions for Teachers

Provide an overview of the techniques, their pros and cons
Propose pop-up quizzes

The learning event shall refer to model types, their evaluation and possible optimization techniques.

Outline

Duration	Description	Concepts
10 min	Introduction: Motivating scenario and introduction to federated learning: what it is, what it is for, when and why it is needed.	Data gravity, data privacy and the definition of enabling scenario.
10 min	Federated Learning: basic concepts, system definition and algorithmic overview	Basic notions of the Federated Learning approach
15 min	Federated Average algorithm: Formal definition and properties	Basic algorithm for federated learning
20 min	Beyond federated average: limitations of federated average, challenges and possible solutions.	Data imbalance, personalisation, fairness
5 min	Conclusion, questions and answers	Summary

More information

Click here for an overview of all lesson plans of the master human centred AI

Please visit the home page of the consortium HCAIM

Acknowledgements

The Human-Centered AI Masters programme was co-financed by the Connecting Europe Facility of the European Union Under Grant №CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.

The materials of this learning event are available under CC BY-NC-SA 4.0

The HCAIM consortium consists of three excellence centres, three SMEs and four Universities

Colofon

Het arrangement Lecture: Theory of Federated Learning (Profiling and Personalization) is gemaakt met Wikiwijs van Kennisnet. Wikiwijs is hét onderwijsplatform waar je leermiddelen zoekt, maakt en deelt.

Auteur: HCAIM Consortium
Laatst gewijzigd: 2024-02-14 22:40:47
Licentie: Dit lesmateriaal is gepubliceerd onder de Creative Commons Naamsvermelding-GelijkDelen 4.0 Internationale licentie. Dit houdt in dat je onder de voorwaarde van naamsvermelding en publicatie onder dezelfde licentie vrij bent om:

het werk te delen - te kopiëren, te verspreiden en door te geven via elk medium of bestandsformaat

het werk te bewerken - te remixen, te veranderen en afgeleide werken te maken

voor alle doeleinden, inclusief commerciële doeleinden.

Meer informatie over de CC Naamsvermelding-GelijkDelen 4.0 Internationale licentie.

Aanvullende informatie over dit lesmateriaal

Van dit lesmateriaal is de volgende aanvullende informatie beschikbaar:

Toelichting: copy this template and fill in
Eindgebruiker: leerling/student
Moeilijkheidsgraad: gemiddeld
Studiebelasting: 4 uur en 0 minuten

Gebruikte Wikiwijs Arrangementen

HCAIM Consortium. (z.d.).

Acknowledgement

https://maken.wikiwijs.nl/198386/Acknowledgement

HCAIM Consortium. (z.d.).

Lecture: Semi-supervised and Unsupervised Learning

https://maken.wikiwijs.nl/202203/Lecture__Semi_supervised_and_Unsupervised_Learning

Downloaden

Het volledige arrangement is in de onderstaande formaten te downloaden.

Metadata

Metadata overzicht (Excel)

LTI

Leeromgevingen die gebruik maken van LTI kunnen Wikiwijs arrangementen en toetsen afspelen en resultaten terugkoppelen. Hiervoor moet de leeromgeving wel bij Wikiwijs aangemeld zijn. Wil je gebruik maken van de LTI koppeling? Meld je aan via info@wikiwijs.nl met het verzoek om een LTI koppeling aan te gaan.

Maak je al gebruik van LTI? Gebruik dan de onderstaande Launch URL’s.

Arrangement

IMSCC package

Wil je de Launch URL’s niet los kopiëren, maar in één keer downloaden? Download dan de IMSCC package.

IMSCC package

Meer informatie voor ontwikkelaars

Wikiwijs lesmateriaal kan worden gebruikt in een externe leeromgeving. Er kunnen koppelingen worden gemaakt en het lesmateriaal kan op verschillende manieren worden geëxporteerd. Meer informatie hierover kun je vinden op onze Developers Wiki.