Year: 2024
Type: dissertation
Abstract: A Aprendizagem Federada é uma técnica de treinamento de modelos de Aprendizagem de Máquina que garante a privacidade dos dados dos dispositivos que os detêm. A privacidade dos dados é assegurada ao atribuir a responsabilidade do treinamento dos modelos aos dispositivos, que usam exclusivamente suas respectivas bases de dados para treinar modelos locais. Essa técnica tem ganhado atenção da ciência e da indústria em contextos onde as aplicações são cada vez mais rigorosas em que termos de requisitos de segurança e privacidade. Todavia, ao atribuir o treinamento aos dispositivos, a eficiência do treinamento fica sujeita às características desses dispositivos e do contexto em que estão inseridos. Assim, é fundamental analisar essas características e implementar técnicas para garantir a eficiência do treinamento. Entre essas características, destacam-se a mobilidade dos dispositivos e a não-estacionariedade do sistema. A mobilidade dos dispositivos interfere no treinamento ao impedir sua conclusão, devido a consequente perda de conexão com a rede. Por sua vez, a não-estacionariedade do sistema está diretamente relacionada com o desvio e a consequente depreciação da eficiência de aprendizagem do modelo. Dessa maneira, apresenta-se o MoSimFeL, um algoritmo de coordenação de Aprendizagem Federada específico para garantir a eficiência do treinamento em cenários com mobilidade e sistemas não-estacionários. Para analisar a eficiência do MoSimFeL, desenvolveu-se um simulador denominado FLSimulator. Esse simulador avalia aplicações de Aprendizagem Federada sob o contexto descrito e é usado para analisar experimentalmente o comportamento do MoSimFeL a partir de uma aplicação de classificação de imagens, comparando o algoritmo proposto com suas variações e com um algoritmo mais tradicional. Por fim, os resultados das simulações mostram que o MoSimFeL é capaz de realizar o treinamento federado mesmo em cenários com intensa mobilidade dos usuários e sob sistemas com nãoestacionariedade, enquanto outros algoritmos tradicionais são incapazes de fazê-lo.
Institution: Universidade Federal de Campina Grande
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7119289726
