Tasarım projesi, Erciyes Üniversitesi · danışman: Prof. Dr. Bahriye Akay · 2025–2026 · not: AA
Problem
Federe öğrenmede FedAvg’ın öğrenme oranı ve momentum değerleri sonucu doğrudan etkiliyor; veriler istemcilere dağıtık ve dengesiz olduğunda bu değerleri elle ayarlamak zor.
Yaklaşım
- Bu iki hiperparametreyi kısa federe öğrenme simülasyonları (proxy task) üzerinden Yapay Arı Kolonisi ile optimize eden ABC-FedAvg meta-optimizasyon yöntemini geliştirdim.
- PathMNIST veri setini Dirichlet dağılımı (α = 0,5) ile 5 istemciye Non-IID olarak dağıttım; modelleri PyTorch ile 20 iletişim turu boyunca eğittim.
Sonuç
Test doğruluğu standart FedAvg’a göre %78,05’ten %85,28’e çıktı ve merkezi eğitimin başarısına yaklaştı. Çalışmayı makale formatında raporladım.