Одним из новых подходов является федеративное обучение.
Учёные Санкт-Петербургского государственного электротехнического университета ЛЭТИ повысили точность безопасного метода обучения нейросетей для «умного города».
Как рассказали ТАСС в пресс-службе вуза, алгоритм в задаче обнаружения киберугроз и сетевых вторжений достиг точности 99,98 %.
— Мы усовершенствовали один из широко используемых алгоритмов для федеративного обучения нейросетей FedBN. Его модифицированная версия MFedBN в экспериментах по обучению моделей на датасетах информации с датчиков «умного города» превосходит базовый FedBN. Работоспособность и превосходство предложенного алгоритма над базовыми аналогами были доказаны в ходе серии экспериментов, — отметил руководитель исследовательского проекта, проректор по цифровой трансформации ЛЭТИ Иван Холод. — В частности, при тестировании на данных сенсоров грузовых автомобилей алгоритм достиг точности классификации 85 %, а в задаче обнаружения киберугроз и сетевых вторжений — 99,98 %.
В задачи «умного города» входит интеграция большого количества информационных потоков, исходящих от разных источников — начиная с сотовых телефонов, и заканчивая камерами видеонаблюдения. Для работы с данными в сервисах «умного города» активно применяются нейросети, которые могут анализировать большие объёмы информации.
В пресс-службе добавили, что одним из новых подходов является федеративное обучение — метод машинного обучения, который позволяет «тренировать» нейросеть на множестве разрозненных устройств без необходимости передавать их локальные данные на единый сервер. Главная инновация MFedBN заключается в усовершенствовании механизма сбора информации на сервере: вместо традиционного усреднения данных моделей, полученных от клиентов, новый алгоритм использует градиентный подход с контролируемой скоростью обучения локальных моделей.
Ранее 78.ru писал о том, что спрос на специалистов по обучению нейросетей вырос в Петербурге на 94 %.