Middleware baseado em aprendizado federado para aplica??es de Smart Campus

• Ano de defesa: 2024
• Autor(a) principal: Santos, Lucas Emanuel Batista
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Middleware; Aprendizado Federado; Algoritmos de Aprendizagem Federada; Internet das Coisas
• Link de acesso: http://repositorio.ifpb.edu.br/jspui/handle/177683/4052

O crescente volume de dados em ambientes inteligentes apresenta uma oportunidade para utilizar o aprendizado de m?quina para aprimorar a tomada de decis?o e efici?ncia. No entanto, os m?todos tradicionais de aprendizado de m?quina enfrentam dificuldades com dados distribu?dos, como tamb?m preocupa??es com a privacidade dos dados. O aprendizado federado (AF) oferece uma solu??o promissora, possibilitando aprendizado colaborativo distribu?do sem comprometer a privacidade. Esta disserta??o prop?e o SFMEI (Smart Federated Middleware for Educational Institutions, um middleware projetado para intermediar o AF em aplica??es de campus inteligente. O SFMEI apresenta vantagens para aplica??es de campus inteligente, permitindo colabora??o segura e com preserva??o de privacidade entre dispositivos e institui??es, facilitando o desenvolvimento de modelos de aprendizado de m?quina escal?veis, promovendo a integra??o de solu??es de campus inteligente. O SFMEI adota uma arquitetura que permite a integra??o de v?rios algoritmos de aprendizado de m?quina e modelos de dados distribu?dos. Ele fornece uma API p?blica para simplificar a integra??o com solu??es de campus inteligente e garantir colabora??o segura e privacidade de dados entre os n?s participantes. Os resultados experimentais demonstram a viabilidade do SFMEI em preservar o desempenho preditivo ao mesmo tempo em que aborda as quest?es de privacidade de dados. Para avaliar a efic?cia do SFMEI, foi realizada uma avalia??o experimental utilizando um modelo LSTM para revis?o de s?ries temporais de dados de CO2, Temperatura, Consumo de Energia e Consumo de ?gua. Os resultados demonstraram que o SFMEI n?o perde efici?ncia em compara??o com uma abordagem de aprendizado de m?quina n?o federada, atingindo um escore R2 de 0.9898, contra 0.9895 da abordagem n?o federada. Tamb?m foi realizada uma avalia??o para comparar algoritmos de agrega??o de AF, FedAVG e FedSGD, revelando que o FedSGD superou o FedAVG. Com o algoritmo FedAVG, cerca de ?35% dos modelos gerados foram classificados como ?suficientes? (R2 > 0.75), em compara??o com ?47%, utilizando algoritmo FedSGD. O SFMEI com o FedSGD atingiu um mediana do escore R2 de 0.8639, em compara??o com 0.8466 com o FedAVG. Um cen?rio simulado onde os clientes X, Y, Z consomem um modelo pr?-treinado tamb?m apresenta resultados satisfat?rios. Um modelo pr?-treinado no SFMEI foi utilizado por tr?s clientes hipot?ticos, que n?o participaram do AF, resultando em um escore R2 de 0.762735 para o cliente X, 0.644880 para o cliente Y e 0.763156 para o cliente Z.