Projekt · Dnr 2023-01890 · Källa: Vinnova
Validering av ett systemutvecklingskit för federerad maskininlärning för edgeapplikationer
- Koordinator
- Scaleout Systems AB
- Projekttid
- 2023-10-02 till 2026-09-30 (beslutat)
- Beviljat bidrag
- 4 918 474 SEK
- Diarienummer
- 2023-01890
Beskrivning
Projektets primära syfte är att öka vår förståelse för skalbarhet och cybersäkerhet inom federerad maskininlärning specifikt för tillämpningar vi molnkanten. Vi kommer också att vidareutveckla och validera ett systemutvecklingskit för federerad maskninlärning, FEDn, för storskaliga tillämpningar inom “fleet intelligence”. Konkreta mål med projektet inkluderar: - En ny testbed för storskaliga experiment med miljontals av klienter i en federation. - En ökad förståelse för effekten av så kallade "stragglers" i federerad maskininlärning med stort antal klienter. - Ny teori och analys kring hur urval och partitioning av klienter kommer in i en formell säkerhetsanalys. - Nya aggregreringsstrategier som förbättrar både skalbarhet och säkerhet.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
FREEWAY - Automatisera asynkron federerad inlärning och Edge Computing för effektiv analys av fordonsdrift
Volvo Technology AB · 2025-08-17 · 7 349 996 SEK · Projekt
FREEWAY-projektet syftar till att leverera nästa generations digitala tjänster för elektromobilitet genom att möjliggöra asynkron federerad inlärning (AFL) för att hantera skalbarhetsutmaningar, integrera avancerad edge processing och MLOps-arbetsflöden för att förbättra fordonens driftseffektivitet…
-
Hierarkisk federerad inlärning för 6G-kantberäkningar
Uppsala universitet · 2024-10-15 · 1 784 674 SEK · Projekt
Vi utvecklade ett flexibelt ramverk för att testa hierarkisk federerad inlärning (HFL) under olika enhets- och nätverksförhållanden. Vi tog fram resursanpassade tränings- och aggregeringsmetoder med frysning av lager och Switch-Before-Aggregate (SBA), som gav högre noggrannhet än de testade FL-metod…
-
FREEPORT: Federated Learning and Edge Processing för säker och effektiv drift
Volvo Technology AB · 2023-09-01 · 6 000 000 SEK · Projekt
Projektet uppnådde framgångsrikt alla uppsatta mål och bidrog till utvecklingen av edge-analys och federerat lärande för fordon. System för datainsamling på edge-nivå installerades på både test- och kundfordon. En online-algoritm för avvikelsedetektering validerades genom en livedemonstration som vi…
-
FeelAI-federerade prediktiva modeller på Edge för logistikbranschen
Högskolan i Halmstad · 2024-05-01 · 2 500 000 SEK · Projekt
FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkännin…
-
Federated Learning Testbed
Lindholmen Science Park AB · 2020-08-15 · 1 961 952 SEK · Projekt
Syftet och målet med projektet var att skapa en testbädd för federerad inlärning. En miljö har skapats där lärdomar och “best practises” från att arbeta med tekniken delas öppet, tekniska som såväl legala, ett nätverk av svenska och internationella experter har byggts upp, och en reproducerbar demo …