Year: 2022
Type: dissertation
Abstract: Os dados gerados por anualmente rondam os 40 trilhões de gigabytes. Este aumento significativo de dados todos os anos trás a necessidade de assegurar a proteção de informação sensível. A Inteligência Artificial tem vindo a melhorar cada vez mais os seus resultados, apresentando modelos capazes de responder rigorosamente em áreas de atuação críticas, por exemplo, medicina, veículos autónomos, robótica, etc. Estes algoritmos precisam de enormes quantidades de dados disponíveis para otimizarem ao máximo a sua resposta perante todos a sua área de operação.Surgiu a necessidade de continuar a melhorar estes algoritmos mantendo a privacidade e confidencialidade dos dados utilizados.Desta forma, foi criado o conceito de Federated Learning. O Federated Learning permite continuar a treinar algoritmos de Machine Learning sem partilhar os dados utilizados para a convergência do modelo. O Federated Learning apresenta apresenta algumas similaridades com o Distributed Learning. Em ambos os conceitos o treino é distribuido, no entanto o Federated Learning descentraliza também os dados de forma a manter a informação privada.O objetivo desta dissertação passa por explorar o conceito de Federated Learning, assim como comparar diretamente este conceito com o Machine Learning centralizado. Para tal, é mostrada a arquitetura necessária para a construção de uma solução federada. Este documento apresenta ainda resultados obtidos com soluções federadas tanto em ambiente de simulação como numa implementação em ambiente real. Finalmente, é também apresentado um ponto de vista dos resultados obtidos e opções de otimização de uma solução com Federated Learning são discutidas.
Author: Esteves, Leonardo Galveias
Institution: University of Coimbra
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7224044669
