ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ ГЕНЕРАЦІЇ ЗОБРАЖЕНЬ З МОЖЛИВІСТЮ ФЕДЕРАТИВНОГО НАВЧАННЯ ТА ДОНАВЧАННЯ ГЕНЕРАТИВНИХ МОДЕЛЕЙ

К.Ю. Островська; В.П. Борисюк

doi:10.34185/1562-9945-5-162-2026-16

Автор(и)

К.Ю. Островська https://orcid.org/0000-0002-9375-4121
В.П. Борисюк https://orcid.org/0009-0008-0696-6523

DOI:

https://doi.org/10.34185/1562-9945-5-162-2026-16

Ключові слова:

машинне навчання, дифузійні моделі, нейромережа, генеративно-змагальні мережі, тестування, варіаційні автокодувальники, федеративне навчання

Анотація

У роботі розглянуто розробку та дослідження інформаційної системи для генерації зображень на основі сучасних генеративних моделей штучного інтелекту з підтримкою федеративного навчання та механізмів донавчання. Запропонована сис-тема орієнтована на забезпечення ефективної генерації візуального контенту з одно-часним збереженням конфіденційності даних користувачів, що є особливо актуальним в умовах обмеженого доступу до централізованих наборів даних.
Метою роботи є розробка інформаційної системи для генерації зображень з мож-ливістю федеративного навчання та донавчання генеративних моделей.
Розроблена інформаційна система може бути використана у завданнях, де важливо навчати генеративні моделі без передачі даних на сервер, що забезпечує захист конфіденційною інформації.
У майбутньому планується розширення функціональності системи, у тому числі дода-вання повноцінної реєстрації та авторизації, можливість застосовувати кілька LoRA-адаптерів одночасно, збільшення доступних для навчання та генерації моделей і ре-алізація додаткових алгоритмів для федеративного навчання.

Посилання

Goodfellow I. Pouget-Abadie J. Mirza M. et al. Generative Adver- sarial Networks. Elec-tronic resource] // arXiv.org. 2014 року. URL:https://arxiv.org/pdf/1406.2661

Ho J., Jain A., Abbeel P. Denoising Diffusion Probabilistic Модель. [Electronic resource] / / arXiv.org. 2020. URL: https://arxiv.org/pdf/2006.11239

Rombach R., Blattmann A., Lorenz D., et al. High-Resolution Image Synthesis with Latent Diffusion Models. [Electronic resource] // arXiv.org. 2022. URL: https://arxiv.org/pdf/2112.10752

Xiang C., Wang L., Zhou M. Comparative Analysis of Generative Models: Enhancing Im-age Synthesis with VAEs, GANs, and Stable Дифузія. [Electronic resource] // arXiv.org. 2023. URL: https://arxiv.org/pdf/2408.08751

Stable Дифузія. [Electronic resource] URL: https://hugging-face.co/blog/stable_diffusion

Hu EJ, Shen Y., Wallis P., et al. LoRA: Low-Rank Adaptation of Large Language Models. [Electronic resource] // arXiv.org. 2021. URL:https://arxiv.org/pdf/2106.09685

Yao Y., Gao T., Li W., et al. FedEx-LoRA: Exact Aggregation for Federated and Efficient Fine-Tuning of Foundation Models. [Electronic resource] // arXiv.org. 2025. URL:https://arxiv.org/pdf/2410.09432

Kairouz P., McMahan HB, Avent B., та інші. Advances and Open Problems in Federated Learning. [Electronic resource] // arXiv.org. 2021. URL: https://arxiv.org/pdf/1912.04977

Ostrovska K., Borysiuk V. «IMAGE GENERATION WITH THE ABILITY TO ENABLE FEDERATED TRAINING AND FURTHER TRAINING OF GENERATIVE MODELS» // the 3rd International Scientific and Practical Conference. International Scientific Unity. No-vember 12-14, 2025. Lisbon, Portugal. Р 203-206.