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.

This publication has 12 references indexed in Scilit: