In der modernen Welt sind Kameras allgegenwärtig. Sie beobachten unsere Straßen, überwachen unsere Fabriken und halten ein Auge auf unsere Häuser und erzeugen so einen ständigen Strom an visuellen Daten. Jahrzehntelang war der Standardweg, um Computern das Verständnis dieser Bilder beizubringen, darin bestand, die Rohbilder an einen zentralen Cloud-Server zu senden. Dort analysieren leistungsstarke Computer die Daten, um die Software zu verbessern. Dieser Ansatz wird jedoch zunehmend schwierig. Gesetze zum Datenschutz verbieten es oft, persönliche Bilder an einen zentralen Ort zu senden, und die schieren Kosten für die Bewegung massiver Mengen an Videodaten werden prohibitiv. Ein neuerer Ansatz, bekannt als föderiertes Lernen (Federated Learning), bietet einen anderen Weg. Anstatt die Bilder zum Computer zu senden, kommt der Computer zu den Bildern. Das Lernen findet direkt auf den Kamera-Geräten selbst statt. Die Geräte lernen aus ihren eigenen lokalen Bildern und senden nur kleine, verschlüsselte Updates darüber zurück, was sie gelernt haben, während die Rohfotos zurückbleiben. Dies hält private Daten sicher, führt aber eine neue Reihe von Problemen ein. Die Kameras sind oft kleine, batteriebetriebene Geräte mit begrenzten Internetverbindungen, und die Daten, die sie sehen, variieren stark, je nachdem, wo sie platziert sind.

Ein Forscher hat eine neue Methode entwickelt, um dieses lokale Lernen in diesen Kameranetzwerken effizient und genau zu gestalten. Seine Arbeit adresset zwei große Hürden, die diese Technologie bisher weitgehend am breiten Einsatz gehindert haben. Die erste Hürde ist die Internetverbindung. Obwohl die Kameras keine Fotos senden, können die Updates, die sie zurücksenden, dennoch zu groß für langsame oder überlastete Netzwerke sein. Wenn jede Kamera nach jeder Lernsitzung einen vollständigen Bericht sendet, verstopft das Netzwerk und das System kommt zum Stillstand. Die zweite Hürde ist der Unterschied in dem, was jede Kamera sieht. Eine Kamera an einer belebten Straße sieht viele Autos und Menschen, während eine Kamera in einem ruhigen Park hauptsächlich Bäume und Vögel sieht. Da die Daten von einem Gerät zum anderen so unterschiedlich sind, gerät der Lernprozess oft durcheinander, und das Endergebnis ist weniger genau, als es sein sollte.

Um diese Probleme zu lösen, entwickelte der Forscher ein Framework, das drei spezifische Techniken kombiniert. Erstens führte er eine Methode ein, um die an den Server zurückgesendeten Informationen zu komprimieren. Anstatt einen vollständigen Bericht über jede winzige Änderung, die die Kamera an ihrer Software vorgenommen hat, zu senden, identifiziert das Gerät nur die wichtigsten Änderungen. Es sendet nur die obersten dreißig Prozent der signifikantesten Updates und eine einfache Karte, die zeigt, wo diese Änderungen stattfanden. Dies reduziert die über das Internet gesendeten Daten um zwei Drittel, ohne die wesentlichen Informationen für das Lernen zu verlieren. Zweitens, um die Verwirrung durch unterschiedliche Kameraansichten zu bewältigen, fügte er eine stabilisierende Regel hinzu. Diese Regel ermutigt jede Kamera sanft dazu, nah am Durchschnittsprogess der Gruppe zu bleiben, um zu verhindern, dass ein einzelnes Gerät aufgrund seiner einzigartigen lokalen Daten zu weit vom Kurs abdriftet. Drittens ersetzte er eine standardmäßige interne Berechnungsmethode durch eine robustere Alternative. In Systemen, in denen einige Kameras Tausende von Bildern haben und andere nur wenige, würde die alte Berechnungsmethode verrauscht und unzuverlässig werden. Die neue Methode funktioniert konsistent, unabhängig davon, wie viele Bilder jede Kamera hat, wodurch sichergestellt wird, dass die gesamte Gruppe reibungslos lernt.

Der Forscher testete dieses System mithilfe einer Simulation von fünfzig verschiedenen Kamera-Geräten. Er verwendete zwei Standard-Bildersätze, um zu sehen, wie gut die Kameras Objekte erkennen lernen können. In einem Test wurden die Kameras gebeten, zehn verschiedene Arten von Objekten zu identifizieren, wie zum Beispiel Flugzeuge, Katzen und Lastwagen. Als die Kameras die neue kombinierte Methode verwendeten, erreichten sie eine Genauigkeit von fast siebzigneun Prozent. Dieses Ergebnis ist beeindruckend, da es erreicht wurde, während nur dreißig Prozent der üblichen Daten gesendet wurden. Tatsächlich reduzierte das System die Menge der über das Internet gesendeten Daten im Vergleich zur traditionellen Methode um siebenundsechzig Prozent. Der Forscher stellte auch fest, dass bei sehr unterschiedlichen Arten von Daten die stabilisierende Regel entscheidend war. Ohne sie sank die Genauigkeit erheblich. Mit der Regel im Einsatz stellte das System den Großteil der verlorenen Genauigkeit wieder her, was beweist, dass Kompression und die stabilisierende Regel gut zusammenarbeiten.

Die Studie zeigte auch, dass die Wahl der internen Berechnungsmethode eine tiefe Bedeutung hat. Als der Forscher die ältere, standardmäßige Methode verwendete, wurde der Lernprozess instabil und verbesserte sich nicht, während die Kameras unterschiedliche Mengen an Daten sahen. Als er zur neuen, robusteren Methode wechselte, konvergierte das System stetig und zuverlässig. Dies deutet darauf hin, dass der Standardansatz für Netzwerke von Kameras mit variierenden Datenmengen einfach nicht geeignet ist. Der Forscher merkte an, dass seine Arbeit eine Simulation war, was bedeutet, dass die Kameras virtuelle Geräte waren, die auf einem einzigen Computer liefen, anstatt physische Hardware in der realen Welt zu sein. Während die Ergebnisse vielversprechend sind, räumt er ein, dass reale Bedingungen, wie etwa variierende Internetgeschwindigkeiten und physische Hardwarebeschränkungen, in zukünftigen Studien getestet werden müssen.

Die Implikationen dieser Arbeit gehen über einfach bessere Software hinaus; sie berühren die grundlegende Art und Weise, wie wir mit Privatsphäre und Daten umgehen. In diesem Framework lädt eine Kamera niemals ein einziges Rohbild hoch. Die einzigen Dinge, die ausgetauscht werden, sind komprimierte mathematische Updates. Zum Kontext: Das Senden eines einzelnen Bildes kostet eine winzige Menge an Daten, aber das in dieser Studie verwendete komprimierte Update ist dennoch substanziell, enthält jedoch keine visuellen Informationen, die eine Person oder einen Ort identifizieren könnten. Dies schafft eine grundlegend andere Datenschutzlandschaft, in der die Daten beim Besitzer bleiben und das Lernen im Schatten des Netzwerks stattfindet. Der Forscher kam zu dem Schluss, dass dieser Ansatz es ermöglicht, leistungsstarke Vision-Modelle am Rand des Netzwerks (Edge) zu trainieren, genau dort, wo die Daten entstehen, ohne die Privatsphäre zu gefährden oder das Internet zu überlasten. Durch die Lösung der Zwillingsprobleme von Bandbreite und Datendiversität ebnet diese Arbeit den Weg für eine Zukunft, in der intelligente Kameras lokal lernen und sich anpassen können, wobei sowohl die Privatsphäre der Nutzer als auch die Grenzen ihrer Verbindung respektiert werden.