หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2568
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
FLEX: กรอบงานการจัดลำดดับความสำคัญสำหรับการเรียนรู้แบบสหพันธ์
ชื่อโครงงานภาษาอังกฤษ
FLEX: Federated Learning framework with EXtended scheduling
ผู้พัฒนา
6510503247 คณาธิป พันธ์ดี
อาจารย์ที่ปรึกษาหลัก
กัญจนสิทธ ทองเล็ก
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
การเรียนรู้แบบสหพันธ์เป็นแนวทางการฝึกแบบจำลองที่เปิดโอกาสให้เรียนรู้จากข้อมูลที่กระจายอยู่หลายแหล่งโดยไม่ต้องรวบรวมเข้าสู่ศูนย์กลาง แต่การใช้งานจริงต้องเผชิญกับความแตกต่างของระบบและข้อมูลซึ่งส่งผลต่อพฤติกรรมการฝึก บทความนี้นำเสนอ FLEX (Federated Learning framework with EXtended scheduling) กรอบงานเชิงระบบที่เพิ่มกลไกการจัดลำดับความสำคัญในกระบวนการฝึกโดยไม่ปรับโครงสร้างแบบจำลอง ครอบคลุมการจัดการขนาดแบตช์ อัตราการเรียนรู้ และจำนวนรอบการฝึกในระดับอุปกรณ์ พร้อมสถาปัตยกรรมที่แยกส่วนควบคุมออกจากแกนการเรียนรู้แบบสหพันธ์อย่างชัดเจน ระบบถูกพัฒนาและสาธิตบน Kubernetes ผ่านเครื่องมือ kind เพื่อศึกษาพฤติกรรมภายใต้ข้อจำกัดทรัพยากร ผลการทดลองกับข้อมูลคลื่นไฟฟ้าสมองสะท้อนบทบาทของกลไกการจัดลำดับความสำคัญต่อรูปแบบการลู่เข้าและความสัมพันธ์เชิงแลกเปลี่ยนระหว่างการควบคุมการอัปเดตกับความแม่นยำของแบบจำลอง โดยชี้ให้เห็นความสำคัญของการออกแบบเชิงระบบต่อการศึกษาปัญหาความแตกต่างของระบบและข้อมูลในบริบทการเรียนรู้แบบสหพันธ์
Abstract
Federated learning is a distributed machine learning paradigm that enables collaborative model training across decentralized data sources without centralizing raw data. However, real-world deployment is challenged by system and data heterogeneity, which significantly affect training dynamics and convergence behavior. This paper presents FLEX (Federated Learning framework with EXtended scheduling), a system-oriented framework that incorporates an extended scheduling mechanism into the federated training process without modifying the underlying model architecture. The mechanism regulates device-level training parameters, including batch size, learning rate, and local training epochs. FLEX is architecturally designed to decouple the control plane from the core federated learning engine, enabling modular and systematic experimentation. The framework is implemented in a Kubernetes environment using kind and evaluated under resource-constrained conditions. Experimental results on electroencephalography (EEG) data demonstrate the impact of scheduling on convergence patterns and the trade-off between update control and predictive performance. The study underscores the importance of system-level design in examining heterogeneity in federated learning environments.
คำสำคัญ (Keywords)
Federated learning
Scheduling
System heterogeneity
Data heterogeneity
เว็บไซต์โครงงาน
https://docs.google.com/document/d/1FFRDY5P2gFRu83wkonkxVc_Vt7tJusE1zT0idnXr_Zc/edit?usp=sharing
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
คณาธิป
พันธ์ดี
(b6510503247)
แก้ไขครั้งสุดท้าย
เมื่อ March 9, 2026, 5:08 p.m. โดย
คณาธิป
พันธ์ดี
(b6510503247)
สถานะการอนุมัติ
รออนุมัติ