Αποκεντρωμένη εκπαίδευση βαθέων νευρωνικών δικτύων σε αμιγώς ομότιμες κατανεμημένες τοπολογίες

Περίληψη

Τα τελευταία χρόνια έχει γίνει αντιληπτό ότι ο αποδοτικότερος τρόπος να εκπαιδευτεί κάποιο σύνθετο μοντέλο τεχνητής νοημοσύνης είναι η αξιοποίηση εξαιρετικά μεγάλων όγκων δεδομένων και μεγάλης υπολογιστικής ισχύος. Το γεγονός αυτό δίνει ένα ανυπέρβλητο προβάδισμα στις λίγες εταιρίες που κατέχουν αυτά τα στοιχεία, με αποτέλεσμα αυτές να τείνουν να κυριαρχήσουν στις εξελίξεις. Συνεπώς θα ήταν επιθυμητό να δημιουργήσουμε πρότυπα τα οποία: 1) Εγκαταλείπουν τη λογική των μεγάλων ιδιωτικών υπολογιστικών κέντρων. 2) Βασίζονται, όχι απλώς σε αποκεντρωμένο, αλλά σε πλήρως κατανεμημένο μοντέλο, υπό την έννοια ότι λειτουργούν δίχως την ανάγκη ενός κεντρικού συντονιστή. Ακολουθώντας αυτή την οδό μπορούν να δημιουργηθούν αρχιτεκτονικές οι οποίες: 1) Αξιοποιώντας πολυάριθμους κόμβους προσεγγίζουν (η ακόμα και ξεπερνούν) την υπολογιστική ισχύ ενός μεγάλου data center. 2) Λόγω ισοτιμίας των συμμετεχόντων δεν έχουν "single point of failure", το οποίο πρακτικά σημαίνει ότι η λειτουργία τους συνεχίζεται ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Artificial Intelligence has been proven to hugely benefit from big data and enormous computer power. This fact gives a great head start to the few large companies that possess such infrastructure, so they tend to dominate the AI space. A desirable alternative could be the creation of prototypes that: 1) They no longer rely on large private data centers. 2) They are not based on just a decentralized model, but on a fully distributed one, meaning that they have no need for a central coordinator. Following the above directives, we could develop networks that: 1) They can approach (or even exceed) the total computing power of a big data center, by utilizing a large number of nodes. 2) They have no "single point of failure", since all participants have equal roles, meaning that the network will keep working even if a portion of it gets offline. 3) They are democratized, since all nodes have the exact same access to the produced outcome. So far almost all of the implementations regarding neu ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/51333
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/51333
ND
51333
Εναλλακτικός τίτλος
Decentralized deep neural network training via distributed ledger technology
Συγγραφέας
Νικολαΐδης, Σπυρίδων του Αλέξανδρος
Ημερομηνία
2022
Ίδρυμα
Πανεπιστήμιο Μακεδονίας. Σχολή Επιστημών Πληροφορίας. Τμήμα Εφαρμοσμένης Πληροφορικής
Εξεταστική επιτροπή
Ρεφανίδης Ιωάννης
Σαμαράς Νικόλαος
Σακελλαρίου Ηλίας
Μαργαρίτης Κωνσταντίνος
Παπαδημητρίου Παναγιώτης
Διαμαντάρας Κωνσταντίνος
Καλλές Δημήτριος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Υπολογιστές, Υλικό (hardware) και Αρχιτεκτονική
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη; Μηχανική μάθηση; Νευρωνικά δίκτυα; Διαδίκτυο των πραγμάτων; Αποκεντρωμένες αρχιτεκτονικές
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)