Como Agregar e Não Influenciar Modelos - Controlando a Influência de Clientes no Aprendizado Federado Dinâmico
Open Access
- 19 May 2025
- conference paper
- Published by Sociedade Brasileira de Computação
- p. 420-433
Abstract
Sistemas distribuídos têm se mostrado uma abordagem essencial para o aprendizado de máquina, especialmente em cenários com grande quantidade de dispositivos conectados, como a Internet das Coisas (IoT) e Cidades Inteligentes. No entanto, a disponibilidade desses dispositivos é crucial para um treinamento eficaz, e não é garantida durante todo o treinamento devido a limitações como bateria, largura de banda ou requisitos de conformidade. Para enfrentar esses desafios, propomos FedPIPC, um método de agregação que utiliza a participação dos clientes como fatores de influência no modelo global, combinado com um mecanismo de preservação de conhecimento para mitigar os impactos das oscilações na participação ao longo do treinamento federado. Os resultados empíricos indicam que a solução proposta melhora o equilíbrio entre precisão e transmissão de dados em até 50% e reduz o volume de transmissão em até 89%, comprovando sua eficácia em cenários dinâmicos.Keywords
This publication has 12 references indexed in Scilit:
- Let's Federate - Effective Communication Strategy for Dynamic Client Participation2024
- A Novel Prediction Technique for Federated LearningIEEE Transactions on Emerging Topics in Computing, 2024
- Rethinking Personalized Federated Learning from Knowledge Perspective2024
- Adaptive client selection with personalization for communication efficient Federated LearningAd Hoc Networks, 2024
- Federated Optimization Under Intermittent Client AvailabilityINFORMS Journal on Computing, 2024
- FedNN: Federated learning on concept drift data using weight and adaptive group normalizationsPattern Recognition, 2023
- A Comprehensive Survey on Federated Learning Techniques for Healthcare InformaticsComputational Intelligence and Neuroscience, 2023
- Non-IID data and Continual Learning processes in Federated Learning: A long road aheadInformation Fusion, 2022
- Federated learning on non-IID data: A surveyNeurocomputing, 2021
- A survey on concept drift adaptationACM Computing Surveys, 2014