Work

Implementación y evaluación del rendimiento de una red neuronal artificial para el cálculo de la estimación de precipitación de un entorno de aprendizaje federado

Year: 2024
Type: dissertation
Abstract: Este trabajo de fin de grado tiene como objetivo estudiar el uso del entrenamiento federado. Para este estudio se han planteado distintos casos y pruebas para el entrenamiento con la librería de redes neuronales Pytorch y el framework de creación de modelos de entrenamiento federado Flower. Además, cabe destacar el uso de los datos proporcionado por la misión Global Precipitation Measurement (GPM) de la NASA. Durante el desarrollo de este trabajo, se realizaron las pruebas con la computación de alto rendimiento en mente, buscando las tecnologías y las técnicas necesarias para acelerar y optimizar todo el proceso de entrenamiento del modelo, así como también conseguir los mejores resultados del entrenamiento para tener un punto de comparación que sea valido. Además del desarrollo de los distintos sistemas, también se exploro el uso de modelos de redes alternativas, principalmente se realizaron pruebas con el modelo Multylayer Perceptron (MLP), pero también se estudió el uso de redes Long-Short Term Memory (LSTM) así como plantearse el uso de las redes convolucionales. Además, para un mejor entendimiento de los datos, también se realizaron gráficas y dibujos que ayudan a sacar mejores conclusiones. Las pruebas realizadas utilizaron distintos datos, como los datos de precipitación mencionados anteriormente, y unos datos generados por unas ecuaciones, que permitirá medir el rendimiento de los dos modelos, tanto en precisión como tiempo de entrenamiento del mismo, cambiando, por ejemplo, el numero de clientes que participan en el trabajo, como la cantidad de datos a utilizar para su entrenamiento. ABSTRACT This final degree project aims to study the use of federated learning. For this study, different cases and tests have been proposed for training with the PyTorch neural network library and the federated learning model creation framework Flower. Additionally, it is worth noting the use of data provided by NASA’s Global Precipitation Measurement (GPM) mission. During the development of this work, tests were conducted with high-performance computing in mind, seeking the necessary technologies and techniques to accelerate and optimize the entire model training process. Additionally, the goal was to achieve the best training results to have a valid comparison point. In addition to the development of different systems, the use of alternative network models was also explored. Mainly, tests were conducted with the Multilayer Perceptron (MLP) model, but the use of Long Short-Term Memory (LSTM) networks and the potential use of Convolutional Neural Networks (CNNs) were also studied. Additionally, for a better understanding of the data, graphs and charts were created to help draw better conclusions. The tests conducted to evaluate each type used different data, such as the aforementioned precipitation and data generated by equations, allowing us to measure the performance of both models in terms of accuracy and training time. Variables such as the number of clients participating in the process and the amount of data used for training were changed to assess these metrics.
Language: Spanish
Open Access status: green
OpenAlex ID: W7047839931
Cites: 6
Cited by:
Related to: 10