Agente K-alibra: Estratégia para Seleção de K-Clientes em Aprendizado Federado autônoma
- 25 May 2026
- conference paper
- Published by Sociedade Brasileira de Computação
- p. 43-56
Abstract
O Aprendizado Federado (FL) estabeleceu-se como uma abordagem robusta para o treinamento distribuído de modelos, preservando a privacidade dos dados. Contudo, FL ainda sofre de problemas de escalabilidade e sobrecarga de rede. Uma das estratégias de mitigação pode ser através da seleção dinâmica de clientes, porém, a maioria dos trabalhos foca qualitativamente em quais clientes selecionar e não considera o número de clientes selecionados. Essa rigidez impede que o sistema se adapte adequadamente à dinâmica temporal do sistema distribuído, resultando em altos números de clientes ou poucos clientes de modo ineficiente. Essa falha é ocasionada pela dificuldade de algoritmos estáticos em adaptar-se dinamicamente às necessidades do sistema. Para mitigar essa rigidez, apresentamos o K-Agent, um orquestrador baseado em Language Models (LM) que ajusta dinamicamente o número de clientes via um ciclo de percepção, raciocínio e ação. Experimentos demonstram que o agente equilibra custos e estabilidade, reduzindo o tráfego de dados entre 44,4% e 59% comparado à literatura, validando a eficácia de agentes na otimização de hiperparâmetros em FL.Keywords
This publication has 13 references indexed in Scilit:
- Agentic AI: Autonomous Intelligence for Complex Goals—A Comprehensive SurveyIEEE Access, 2025
- Let's Federate - Effective Communication Strategy for Dynamic Client Participation2024
- Federated learning energy saving through client selectionPervasive and Mobile Computing, 2024
- A survey on large language model based autonomous agentsFrontiers of Computer Science, 2024
- Adaptive client selection with personalization for communication efficient Federated LearningAd Hoc Networks, 2024
- Client Selection in Federated Learning: Principles, Challenges, and OpportunitiesIEEE Internet of Things Journal, 2023
- Model Compression for Communication Efficient Federated LearningIEEE Transactions on Neural Networks and Learning Systems, 2021
- Advances and Open Problems in Federated LearningFoundations and Trends in Machine Learning, 2021
- Client Selection and Bandwidth Allocation in Wireless Federated Learning Networks: A Long-Term PerspectiveIEEE Transactions on Wireless Communications, 2020
- Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge2019