Aprendizagem Federada em IoT: Capacitação de Dispositivos para Aquisição e Processamento de Dados
Year: 2024
Type: dissertation
Abstract: O Federated Learning (FL) surge como uma abordagem inovadora na área de Machine Learning, motivada pela necessidade crescente de processamento de dados mais próximo dos dispositivos. Esta técnica oferece várias vantagens teóricas, principalmente em termos de segurança e privacidade dos dados. A principal motivação para o uso do FL é a capacidade de treinar modelos de aprendizagem de máquina sem a necessidade de centralizar dados sensíveis. Isto é particularmente relevante em cenários onde a privacidade é crucial, como em ambientes de escritórios. Nesta dissertação, serão abordados diversos aspetos do FL, incluindo os seus benefícios, desafios, bem como a sua taxonomia. O caso de estudo foca-se na previsão da qualidade do ambiente em escritórios, considerando fatores como temperatura, iluminância, qualidade do ar, humidade e ruído. A implementação do FL será desenvolvida utilizando dispositivos edge, e testada através de vários modelos de Deep Learning e regressão. Os resultados demonstraram que modelos como xGBoost e Gradient Boosting apresen- taram previsões consistentes para uma amostragem de 1 minuto, enquanto os modelos RNN e GRU foram eficazes para amostragens maiores, principalmente na de 10 minutos. Apesar de desafios como a descalibração do sensor da qualidade do ar e dados não estacionários, o FL revelou-se promissor para melhorar as condições de trabalho em edifícios de escritórios. Implementações futuras podem considerar a integração do FL com sistemas de automação predial, como HVAC, permitindo ajustes em tempo real, expandindo assim a aplicação prática desta tecnologia.
Author: Ventura, Pedro Gonçalo dos Santos
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7036338190