Federated Learning zur Reduktion von Datenübertragungen und Sicherstellung der Datensparsamkeit

Kontext

Beim Federated Learning werden neuronale Netze nicht an einer zentralen Stelle trainiert, sondern verteilt auf einzelnen Systemen. Die trainierten Netze werden anschließend fusioniert. Das hat Vorteile hinsichtlich des Datenschutzes und der Datensparsamkeit. Aber auch die Ressourcen für die Datenübertragung und -speicherung werden gespart. Es gilt zu untersuchen, inwieweit sich verteilt lernende Systeme in der Praxis bewähren können und welche Einsparungen sich realisieren lassen.

Aufgaben

• Exploration von Federated-Learning-Ansätzen
• Übertragung einer Federated-Learning-Methode in die Praxis
• Bewertung der Leistungsfähigkeit im praktischen Einsatz 

Voraussetzungen

• Du kannst in Python programmieren.
• Du hast Erfahrungen im Bereich Data Science.
• Du besitzt sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift.