¿Cuánto cuesta estar federado?

Fedliving

El aprendizaje federado (también conocido como aprendizaje colaborativo) es una técnica de aprendizaje automático que entrena un algoritmo a través de múltiples dispositivos de borde descentralizados o servidores que tienen muestras de datos locales, sin intercambiarlos. Este enfoque contrasta con las técnicas tradicionales de aprendizaje automático centralizado, en las que todos los conjuntos de datos locales se cargan en un servidor, así como con los enfoques descentralizados más clásicos, que suelen suponer que las muestras de datos locales están distribuidas de forma idéntica.

El aprendizaje federado permite a múltiples actores construir un modelo de aprendizaje automático común y robusto sin compartir los datos, lo que permite abordar cuestiones críticas como la privacidad de los datos, la seguridad de los datos, los derechos de acceso a los datos y el acceso a datos heterogéneos. Sus aplicaciones se extienden a una serie de industrias como la de defensa, telecomunicaciones, IoT y farmacéutica.

El aprendizaje federado tiene como objetivo entrenar un algoritmo de aprendizaje automático, por ejemplo, redes neuronales profundas, en múltiples conjuntos de datos locales contenidos en nodos locales sin intercambiar explícitamente muestras de datos. El principio general consiste en entrenar modelos locales en muestras de datos locales e intercambiar parámetros (por ejemplo, los pesos y sesgos de una red neuronal profunda) entre estos nodos locales con cierta frecuencia para generar un modelo global compartido por todos los nodos.

La federación de identidades es un sistema de confianza entre dos partes con el fin de autenticar a los usuarios y transmitir la información necesaria para autorizar su acceso a los recursos. En este sistema, un proveedor de identidad (IdP) es responsable de la autenticación de los usuarios, y un proveedor de servicios (SP), como un servicio o una aplicación, controla el acceso a los recursos. Mediante un acuerdo administrativo y una configuración, el SP confía en el IdP para autenticar a los usuarios y se basa en la información que el IdP proporciona sobre ellos. D

espués de autenticar a un usuario, el IdP envía al SP un mensaje, llamado aserción, que contiene el nombre de inicio de sesión del usuario y otros atributos que el SP necesita para establecer una sesión con el usuario y para determinar el alcance del acceso a los recursos que el SP debe conceder. La federación es un enfoque común para construir sistemas de control de acceso que gestionan los usuarios de forma centralizada dentro de un IdP central y gobiernan su acceso a múltiples aplicaciones y servicios que actúan como SPs.

AWS ofrece distintas soluciones para federar a sus empleados, contratistas y socios (personal) a las cuentas de AWS y a las aplicaciones empresariales, y para añadir soporte de federación a sus aplicaciones web y móviles orientadas al cliente. AWS admite los estándares de identidad abiertos más utilizados, como Security Assertion Markup Language 2.0 (SAML 2.0), Open ID Connect (OIDC) y OAuth 2.0.

Muestreo de dispositivos para el aprendizaje federado heterogéneo: teoría, algoritmos e implementación

En este capítulo se presenta una breve introducción a los portales federados y se analizan las ventajas de éstos y los tipos de problemas que resuelve la federación. Este capítulo incluye las siguientes secciones:

Un portal federado es un portal que incluye recursos distribuidos remotamente, incluyendo portlets, libros y páginas remotas. Estos recursos remotos se recopilan y se reúnen en tiempo de ejecución en una aplicación de portal llamada consumidor, que presenta el portal federado a los usuarios finales. A diferencia de un portal no federado, completamente local, en la mayoría de los casos, las partes remotas individuales de un portal federado pueden mantenerse, actualizarse y liberarse de forma independiente sin tener que volver a desplegar el portal consumidor en el que aparecen.

La figura 2-1 ilustra las partes básicas de un portal federado: productores y consumidores. Un productor es una aplicación web del portal que ofrece portlets remotos a otras aplicaciones web del portal, llamadas consumidores. Tanto los productores como los consumidores implementan una capa de servicios web que les permite comunicarse. Esta capa de servicios web permite a los productores ofrecer portlets a los consumidores en sistemas remotos.

Los consumidores reúnen estos portlets remotos y distribuidos en tiempo de ejecución. Los portlets remotos pueden ser desarrollados y mantenidos por diferentes grupos de personas. Si se modifica un portlet remoto en un productor, los demás portlets de un consumidor que consume el portlet actualizado no suelen verse afectados. Además, el aspecto de un portlet remoto puede ser coherente con el portal federado en el que reside. Para los usuarios finales de los portales federados, los portlets remotos son indistinguibles de los locales.

Pase de invitado de Fedliving

El aprendizaje federado (también conocido como aprendizaje colaborativo) es una técnica de aprendizaje automático que entrena un algoritmo a través de múltiples dispositivos de borde descentralizados o servidores que contienen muestras de datos locales, sin intercambiarlos. Este enfoque contrasta con las técnicas tradicionales de aprendizaje automático centralizado, en las que todos los conjuntos de datos locales se cargan en un servidor, así como con los enfoques descentralizados más clásicos, que suelen suponer que las muestras de datos locales están distribuidas de forma idéntica.

El aprendizaje federado permite a múltiples actores construir un modelo de aprendizaje automático común y robusto sin compartir los datos, lo que permite abordar cuestiones críticas como la privacidad de los datos, la seguridad de los datos, los derechos de acceso a los datos y el acceso a datos heterogéneos. Sus aplicaciones se extienden a una serie de industrias como la de defensa, telecomunicaciones, IoT y farmacéutica.

El aprendizaje federado tiene como objetivo entrenar un algoritmo de aprendizaje automático, por ejemplo, redes neuronales profundas, en múltiples conjuntos de datos locales contenidos en nodos locales sin intercambiar explícitamente muestras de datos. El principio general consiste en entrenar modelos locales en muestras de datos locales e intercambiar parámetros (por ejemplo, los pesos y sesgos de una red neuronal profunda) entre estos nodos locales con cierta frecuencia para generar un modelo global compartido por todos los nodos.