Інформаційна система для генерації зображень з можливістю федеративного навчання та донавчання генеративних моделей

UKR: 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 система орієнтована на забезпечення ефективної генерації візуального контенту з одночасним 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 можливістю 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 додавання повноцінної реєстрації та авторизації, можливість застосовувати кілька LoRA-адаптерів одночасно, збільшення доступних для навчання та генерації моделей і реалізація додаткових алгоритмів для федеративного навчання.

ENG: The paper discusses the development and research of an information system for image generation based on modern generative artificial intelligence models with support for federated learning and retraining mechanisms. The proposed system is focused on ensuring effective generation of visual content while maintaining the confidentiality of user data, which is especially relevant in conditions of limited access to centralized data sets. The research analyzes the architecture of the information system, the principles of integration of generative models, as well as approaches to organizing federated learning, in which model parameters are updated on local nodes without transmitting the output data to the central server. Particular attention is paid to methods of retraining models, which allow the system to adapt to new types of images, styles and user requirements during operation. The performance and efficiency of the proposed system are evaluated in terms of the quality of generated images, learning speed and resistance to changes in input data. The results obtained confirm the feasibility of using a federated approach and further training of generative models to create scalable, adaptive, and secure image generation information systems. In the future, it is planned to expand the functionality of the system, including adding full registration and authorization, the ability to use multiple LoRA adapters simultaneously, increasing the number of models available for training and generation, and implementing additional algorithms for federated learning.