Um algoritmo de aprendizagem federada para aplicações com mobilidade e não-estacionárias

• Ano de defesa: 2024
• Autor(a) principal: MACEDO, Daniel Enos Cavalcanti Rodrigues de.
• Orientador(a): PERKUSICH, Angelo , SANTOS, Danilo Freire de Souza.
• Banca de defesa: LIMA, Antonio Marcus Nogueira., SERRES, Alexandre Jean René., Doria Neto., Adriao Duarte., BRITO, Alisson Vasconcelos de., SILVA, Jaidilson jó da.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
• Departamento: Centro de Engenharia Elétrica e Informática - CEEI
• País: Brasil
• Palavras-chave em Português: Desvio de Aprendizagem; Mobilidade; Não-estacionariedade; Aprendizagem Federada; Learning depreciation; Mobility; Non-stationarity; Federated Learning
• Área do conhecimento CNPq: Engenharia Elétrica
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/40446

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.