Federated Learning è una tecnica di machine learning (ML) che consente a diversi dispositivi di collaborare a un obiettivo comune senza condividere esplicitamente i propri dati.

Come? Ogni dispositivo utilizza i propri dati per il training locale del proprio modello ML, quindi carica il modello su un server centrale per l’aggregazione e, infine, il server invia il modello globale ai partecipanti. Il metodo è molto efficace quando i dataset disponibili ai diversi dispositivi hanno la stessa distribuzione, ma può presentare prestazioni scadenti quando questo non accade, poiché un unico modello per tutti i dispositivi non è ottimale.

Obiettivi della tesi:
1) Esplorare strategie all'avanguardia per affrontare il problema di dataset non con la stessa statistica in federated learning applicato alle telecomunicazioni (più precisamente in ambito sicurezza a livello fisico)
2) Proporre nuove strategie di federated learning per poi testarle su dataset di riferimento in ambito di classificazione (ad esempio, CIFAR-100).

Requisiti: fondamenti di Machine Learning
Plus: conoscenza di Pytorch, VSCode, GitHub, telecomunicazioni