Refine
Year of publication
- 2024 (1)
Document Type
- Bachelor Thesis (1)
Language
- German (1)
Has Fulltext
- no (1)
Is part of the Bibliography
- no (1)
Institute
Die vorliegende Arbeit befasst sich mit der Untersuchung der Effektivität und Effizienz von verteiltem Fine-Tuning auf Endgeräten im Vergleich zu zentralisiertem, cloudbasiertem Machine Learning. Zu diesem Zweck wurden Experimente sowohl mit Federated Learning als auch mit Centralized Machine Learning durchgeführt. Dabei wurden verschiedene Modellarchitekturen, darunter ResNet-20 und ResNet-56, sowie unterschiedliche Parameterkonfigurationen getestet. Die Experimente wurden auf einer Testumgebung mit 21 Mac minis im Cloud Resilience Lab der Hochschule Rhein-Waal durchgeführt. Die Ergebnisse zeigen, dass der zentralisierte Ansatz im Allgemeinen eine höhere Modellgenauigkeit erreicht, während der verteilte Ansatz Vorteile im Bereich des Datenschutzes bietet. Die Analyse der Energieeffizienz ergab, dass der zentralisierte Ansatz weniger Energie verbraucht als der verteilte Ansatz.