728x90 반응형 SMALL 전체 글1632 [FL] P2P 구조 (PEER-TO-PEER ARCHITECTURE) P2P 구조 (PEER-TO-PEER ARCHITECTURE) 클라이언트-서버 아키텍처 외에도 HFL 시스템은 그림과 같이 P2P 구조를 사용할 수도 있다. P2P 구조에는 중앙 서버나 코디네이터가 없다. 이러한 시나리오에서 HFL 시스템의 K 참가자는 트레이너, 분산 트레이너 또는 작업자라고도 한다. 각 트레이너는 로컬 데이터만 사용하여 동일한 ML 또는 DL 모델 (ex: DNN 모델)을 학습할 책임이 있다. 또한, 트레이너는 모델 가중치를 서로 전달하기 위한 보안 채널이 필요하다. 두 트레이너 간의 안전한 통신을 보장하기 위해 공개 키 기반 암호화 체계와 같은 보안 조치를 채택할 수 있다. 중앙 서버가 없기 때문에 트레이너들이 모델 가중치를 주고받는 순서에 미리 동의해야 한다. 이를 수행하는 방법은.. 2023. 9. 26. [FL] 클라이언트-서버 구조 (CLIENT-SERVER ARCHITECTURE) 수평적 연합 학습의 구조 HFL 시스템의 일반적인 클라이언트-서버 아키텍처는 그림과 같으며 이는 마스터-작업자 아키텍처라고도 한다. 이 시스템에서는 동일한 데이터 구조를 가진 K 참가자 (클라이언트, 사용자 또는 당사자라고도 함)가 서버 (매개변수 서버 또는 집계 서버 또는 코디네이터라고도 함)의 도움을 받아 기계 학습 (ML) 모델을 공동으로 훈련한다. 일반적인 가정은 참가자가 정직한 반면 서버는 정직하지만 호기심이 많다는 것이다. 따라서, 목표는 모든 참가자의 정보가 서버로 유출되는 것을 방지하는 것이다. 이러한 HFL 시스템의 훈련 과정은 일반적으로 다음 네 단계로 구성된다. • 1단계 : 참가자는 로컬에서 그레디언트를 계산하고, 암호화, 차등 프라이버시 또는 비밀 공유 기술을 사용하여 그레디언트 .. 2023. 9. 26. [FL] 수평적 연합 학습 (Horizontal Federated Learning) 수평적 연합 학습 (Horizontal Federated Learning) HFL, 일명 샘플 분할 연합 학습 또는 예제 분할 연합 학습은 서로 다른 사이트의 데이터 세트가 겹치는 기능 공간을 공유하지만 샘플 공간이 다른 시나리오에 적용될 수 있다. 이는 테이블 형식 뷰 내에서 데이터가 수평으로 분할되는 상황과 유사하다. 실제로 "수평"이라는 단어는 "수평 파티션"이라는 용어에서 유래했다. 이는 데이터베이스의 전통적인 테이블 형식 보기의 맥락에서 널리 사용된다 (ex: 테이블의 행은 서로 다른 그룹으로 수평으로 분할되고 각 행에는 완전한 데이터와 기능이 포함됨). 예를 들어, 두 지역 은행은 해당 지역과 매우 다른 사용자 그룹을 가질 수 있으며 사용자의 교차 집합은 매우 작다. 그러나 그들의 비즈니스.. 2023. 9. 26. 생체전위 (Biopotentials) 생체전위 (Biopotentials) 인체에서 생체전위가 생성되는 원리와 이러한 생체전위를 기록하는 원리를 이해하는 것은 수면다원검사를 수행하는 데 필수적이다. 뇌의 뉴런에 의해 생성된 전기적 활동 (생체전위)이 EEG를 생성한다. 안구 운동에 따른 각막 망막 전위의 변화에 의해 생성된 전위는 EOG로 기록된 활동을 생성한다. 근육 세포에 의해 생성된 전기 활동은 EMG 활동을 생성한다. 이러한 생물학적 신호는 두피와 피부에 부착된 전극을 사용하여 신체에서 직접 기록된다. 뇌전도 (Electroencephalogram) EEG 기록은 뇌의 전기 신호를 증폭하여 뇌 활동을 그래픽으로 표시한다. 이러한 신호는 뇌의 신경 활동에 의해 생성된다. 수면다원검사의 핵심 측정이다. 뇌파 활동은 측정 가능한 진폭을.. 2023. 9. 25. Digital Polysomnography Digital Polysomnography 컴퓨터화된 폴리그래프는 표준 폴리그래프를 대체했다. 일부 시스템은 아날로그-디지털 변환기를 사용하여 아날로그 증폭기를 컴퓨터에 연결한다. 오늘날 대부분의 시스템은 디지털 수면다원검사를 기록하기 위해 아날로그-디지털 변환기를 통해 연결된 보조 장비와 함께 컴퓨터에 직접 연결된 디지털 증폭기를 사용한다. 그러나 컴퓨터를 사용한다고 해서 표준 계측 원리를 이해할 필요성이 줄어들지는 않다. 실제로 컴퓨터를 사용하려면 기술자가 수면다원검사 중에 기록된 다양한 생물물리학적 신호를 컴퓨터가 적절하고 정확하게 기록하고 있는지 판단할 수 있을 만큼 충분한 지식이 있어야 한다. 적절한 전극 및 센서 적용 기술과 정밀한 장비 교정은 여전히 필수적이다. 정확한 신호 처리는 물론 .. 2023. 9. 25. 폴리그래프 (Polygraph) (3) 감도 (Sensitivity) AC 증폭기에는 펜에 기록된 출력 신호에 대한 입력 신호의 비율을 제어하는 감도 설정도 있다. 신호 편향의 진폭에 대한 입력 전압의 비율인 감도는 문자 그대로 증폭기를 전압에 어느 정도 민감하게 만든다. 앰프로 들어오는 활동의 전압이 너무 높아서 펜이 막힐 경우 (사각형이 되거나 신호가 서로 충돌하는 경우) 출력 (녹음)이 더 이상 정확하지 않다. 그 반대의 경우도 발생할 수 있다. 신호가 너무 작아서 특징 (주파수 및 파동 형태)을 볼 수 없을 수도 있다. 첫 번째 경우에는 감도가 너무 높게 설정되어 있다. 두 번째 경우에는 감도가 너무 낮게 설정되어 있다. 감도는 밀리미터당 마이크로볼트 (μV/mm)로 측정되며 경우에 따라 센티미터당 밀리볼트 (mV/cm)로 측정된다.. 2023. 9. 25. 폴리그래프 (Polygraph) (2) 고주파 필터 (High Frequency Filters) "차단" 주파수 이상의 신호를 감쇠하거나 줄이는 데 사용되는 고주파 필터는 증폭기에 설정된 헤르츠 (Hz) 단위로 측정된다. 감소는 급격한 차단이 아니라 필터 설정 이전에 시작되고 기록된 주파수가 증가함에 따라 감쇠가 증가하는 점진적인 차단이다. 상승 시간 상수는 증폭기의 HFF 설정에 의해 제어된다. 이는 구형파 신호 (교정 입력)가 증폭기의 입력 단자에 적용될 때 신호가 최대 편향의 63%까지 상승하는 데 걸리는 시간 (초)이다. 특정 HFF 설정에서 설정된 차단 주파수의 수신 주파수는 제조업체에 따라 지정된 비율만큼 감쇠된다. 더 높은 주파수의 수신 신호는 훨씬 더 극적으로 감쇠된다. 대부분의 경우 이는 HFF 설정의 20~30%이다. 이는 .. 2023. 9. 25. 폴리그래프 (Polygraph) (1) 폴리그래프 (Polygraph) Polygraph는 "많다"는 의미의 Poly와 "기록하다"라는 의미를 가진 graph의 합성어이며 원래는 "여러가지를 동시에 기록하는 장치"라는 뜻을 가지고 있다. 그리스어로 "많은"을 의미하는 poly, "수면"을 의미하는 somno, "쓰다, 기록하다"를 의미하는 graph에서 유래한 수면다원검사기는 수면 중 다양한 생리적 활동을 기록하도록 설계된 다채널 기록 기기 polygraph로, 수면다원검사라고 불리는 동기화된 기록을 생성한다. 폴리그래프는 입력 메커니즘 (잭박스 및 입력 선택기), 필터, 감도 또는 이득 설정, 기록 메커니즘 (컴퓨터)을 갖춘 증폭기 모음이다. 대부분의 폴리그래프에는 최소 16개의 채널이 있지만 채널 수는 16개에서 64개 이상일 수 있다. .. 2023. 9. 25. [Mojo] 설치 (Set up) 설치 (Set up) Modular 홈페이지에서 가이드 라인에 따라 OS 환경에 맞게 설치를 진행한다. GitHub code examples를 깃허브 계정에 fork하고 VS Code의 확장 (extention)에서 Mojo와 GitHub Codespaces를 설치한다. Modular CLI를 vscode의 터미널에서 설치한다. 그 다음, Mojo SDK를 설치한다. modular install mojo 현재 Mojo SDK는 Ubuntu Linux 시스템에서만 사용 가능하다. Ubuntu 윈도우의 경우 Microsoft Store에서 Ubuntu 22.04.2 LTS를 설치하고 우분투 터미널에서 다음 명령을 실행한다. WLS에 대한 자세한 설치는 WLS2 설정에서 확인가능하다. curl https://.. 2023. 9. 25. [Machine Learning] 클래스 가중치 (Class Weight) 클래스 가중치 (Class Weight) from sklearn.model_selection import GridSearchCV from sklearn.ensemble import RandomForestClassifier # 분류기와 파라미터 그리드 정의 classifier = RandomForestClassifier() param_grid = { 'class_weight': ['balanced', None], 'max_depth': [3, 5, 10], 'n_estimators': [80, 100, 150] } # GridSearchCV를 사용하여 최적의 파라미터 찾기 grid_search = GridSearchCV(classifier, param_grid, cv=5) grid_search.fit(X_.. 2023. 9. 22. 이전 1 ··· 20 21 22 23 24 25 26 ··· 164 다음 728x90 반응형 LIST
