Apprendimento distribuito e federato basato su Hypothesis Transfer Learning

Attualmente i dati generati da dispositivi all'edgedi Internet, quali dispositivi IoT e dispositivi personalidegli utenti, vengono analizzati in cloud sudata centre remoti. Questo approccio presenta problemisignificativi sia dal punto di vista della privacydei dati, che per il potenziale sovraccarico delleinfrastrutture di calcolo e di rete per il trasporto ditali dati Una soluzione particolarmente promettenteprevede di spostare la computazione, e di conseguenzal'esecuzione di AI, verso l'edge della rete,dove i dati vengono generati. L'idea infatti è diestrarre conoscenza dai dati tramite metodi di AIutilizzando tecniche di machine learning distribuitoe federato. Precisamente, il processo di apprendimentoviene eseguito direttamente sui dispositiviche posseggono fisicamente i dati i quali collaboranoper apprendere un modello accurato dei dati. Inquesto articolo, illustriamo una tecnica di apprendimentodistribuito basata su Hypothesis TransferLearning che permette di eseguire un task di apprendimentocon performance comparabili a un approcciocloud, riducendo al contempo il traffico direte generato.