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.

This publication has 13 references indexed in Scilit: