Rafael De Oliveira Jarczewski
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Rafael De Oliveira Jarczewski has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
- Allan Mariano de Souza
UNICAMP
8 shared publications - Leandro Aparecido Villas
UNICAMP
6 shared publications - Antonio Alfredo Ferreira Loureiro
Federal University of Minas Gerais
3 shared publications - Carnot Braun
UNICAMP
3 shared publications - Luiz Fernando Bittencourt
University of Campinas (UNICAMP)
3 shared publications - Eduardo Cerqueira
Federal University of Pará, Belém, Pará, Brazil
2 shared publications
Latest Publications
- 1 November 2026
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Internet of Things Journal
- Vol. 13 (22) , 54637-54659
Cost-Benefit Aware Participation in Federated Learning Client Selection
- 1 November 2026
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Internet of Things Journal
- Vol. 13 (22) , 54637-54659
Cost-Benefit Aware Participation in Federated Learning Client Selection
- 25 May 2026
- Published by Sociedade Brasileira de Computação
- p. 36-47
FL-H.IAAC: Um Testbed Heterogêneo para Aprendizado Federado em Borda
Este artigo apresenta o FL-H.IAAC, uma plataforma versátil projetada para automatizar experimentos de Aprendizado Federado (FL) em ambientes físicos de edge computing. A maioria das pesquisas em FL baseia-se em simulações, que falham em capturar restrições reais de hardware. Nossa plataforma orquestra um cluster heterogêneo de Raspberry Pis e NVIDIA Jetsons usando Ansible e o framework Flower. A plataforma possui uma interface web baseada em Streamlit para gerenciar implantações e coletar telemetria de hardware, resultados de treinamento e tráfego de rede simultaneamente. Demonstramos a utilidade da plataforma através de casos de uso que expõem e auxiliam na mitigação de restrições físicas durante o treinamento.
- 25 May 2026
- Published by Sociedade Brasileira de Computação
- p. 36-47
FL-H.IAAC: Um Testbed Heterogêneo para Aprendizado Federado em Borda
Este artigo apresenta o FL-H.IAAC, uma plataforma versátil projetada para automatizar experimentos de Aprendizado Federado (FL) em ambientes físicos de edge computing. A maioria das pesquisas em FL baseia-se em simulações, que falham em capturar restrições reais de hardware. Nossa plataforma orquestra um cluster heterogêneo de Raspberry Pis e NVIDIA Jetsons usando Ansible e o framework Flower. A plataforma possui uma interface web baseada em Streamlit para gerenciar implantações e coletar telemetria de hardware, resultados de treinamento e tráfego de rede simultaneamente. Demonstramos a utilidade da plataforma através de casos de uso que expõem e auxiliam na mitigação de restrições físicas durante o treinamento.
- 25 May 2026
- Published by Sociedade Brasileira de Computação
- p. 43-56
Agente K-alibra: Estratégia para Seleção de K-Clientes em Aprendizado Federado autônoma
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.
- 25 May 2026
- Published by Sociedade Brasileira de Computação
- p. 43-56
Agente K-alibra: Estratégia para Seleção de K-Clientes em Aprendizado Federado autônoma
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.
- Open Access
- 31 December 2025
- Published by Association for Computing Machinery (ACM)
- p. 1-6
Participation is Power: Effective Approach to Dynamic Federated Learning
- 31 December 2025
- Published by Association for Computing Machinery (ACM)
- p. 1-6
Open AccessParticipation is Power: Effective Approach to Dynamic Federated Learning
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 279-292
Modelagem Preditiva e Interpretação de Emissões de Dióxido de Carbono em Máquinas Agrícolas com Técnicas de IA
Os desastres naturais, como queimadas e eventos climáticos extremos, têm se intensificado nos últimos anos, impulsionados por mudanças climáticas e atividades antrópicas. Nesse cenário, torna-se crucial investir em pesquisas para reduzir gases poluentes, como o Dióxido de Carbono (CO2). Contudo, os estudos atuais focam predominantemente em emissões de países e veículos urbanos. O setor agropecuário, entretanto, contribui significativamente para as emissões de CO2 no Brasil. Este trabalho apresenta um benchmark de modelos de inteligência artificial para prever emissões. Utilizamos dados de dois modelos de tratores, provenientes dos sistemas de combustível, bateria, motor e marcha. Utilizamos métodos de pré-processamento como LIME, e a estimativa de emissão de carbono usando tipo de combustível e intensidade de carbono definida pela Associação Brasileira de Engenharia Automotiva. Dessa forma, avaliamos dezesseis modelos de aprendizado de máquina, destacandose o modelo XGBoost, com o menor RMSE de 0,01, demonstrando desempenho promissor para previsão.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 279-292
Open AccessModelagem Preditiva e Interpretação de Emissões de Dióxido de Carbono em Máquinas Agrícolas com Técnicas de IA
Os desastres naturais, como queimadas e eventos climáticos extremos, têm se intensificado nos últimos anos, impulsionados por mudanças climáticas e atividades antrópicas. Nesse cenário, torna-se crucial investir em pesquisas para reduzir gases poluentes, como o Dióxido de Carbono (CO2). Contudo, os estudos atuais focam predominantemente em emissões de países e veículos urbanos. O setor agropecuário, entretanto, contribui significativamente para as emissões de CO2 no Brasil. Este trabalho apresenta um benchmark de modelos de inteligência artificial para prever emissões. Utilizamos dados de dois modelos de tratores, provenientes dos sistemas de combustível, bateria, motor e marcha. Utilizamos métodos de pré-processamento como LIME, e a estimativa de emissão de carbono usando tipo de combustível e intensidade de carbono definida pela Associação Brasileira de Engenharia Automotiva. Dessa forma, avaliamos dezesseis modelos de aprendizado de máquina, destacandose o modelo XGBoost, com o menor RMSE de 0,01, demonstrando desempenho promissor para previsão.
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 293-306
NEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares
As Redes Veiculares Ad Hoc (VANETs) permitem a comunicação direta entre veículos e a infraestrutura, contribuindo para a segurança e a eficiência do tráfego. No entanto, desafios como a alta mobilidade e as restrições computacionais dificultam a aplicação de técnicas de Aprendizado de Máquina (ML) nesse contexto. O Aprendizado Federado (FL) possibilita o treinamento distribuído de modelos preservando a privacidade dos dados, mas frequentemente exige um grande número de rodadas de comunicação para atingir uma boa convergência. Nesse sentido, este trabalho propõe uma abordagem adaptativa de Meta-Aprendizado Federado, baseada em Redes Convolucionais de Grafos (GCNs), para a previsão de tendências de velocidade em VANETs. A solução ajusta dinamicamente a intensidade do Meta-Aprendizado, otimizando a eficiência do treinamento e reduzindo a sobrecarga computacional. Resultados experimentais indicam que a abordagem reduz o erro preditivo em 5% e diminui o tempo de treinamento em 8%, quando comparada a outras abordagens do estado da arte, demonstrando-se uma alternativa viável para aplicações em VANETs com restrições de recursos.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 293-306
Open AccessNEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares
As Redes Veiculares Ad Hoc (VANETs) permitem a comunicação direta entre veículos e a infraestrutura, contribuindo para a segurança e a eficiência do tráfego. No entanto, desafios como a alta mobilidade e as restrições computacionais dificultam a aplicação de técnicas de Aprendizado de Máquina (ML) nesse contexto. O Aprendizado Federado (FL) possibilita o treinamento distribuído de modelos preservando a privacidade dos dados, mas frequentemente exige um grande número de rodadas de comunicação para atingir uma boa convergência. Nesse sentido, este trabalho propõe uma abordagem adaptativa de Meta-Aprendizado Federado, baseada em Redes Convolucionais de Grafos (GCNs), para a previsão de tendências de velocidade em VANETs. A solução ajusta dinamicamente a intensidade do Meta-Aprendizado, otimizando a eficiência do treinamento e reduzindo a sobrecarga computacional. Resultados experimentais indicam que a abordagem reduz o erro preditivo em 5% e diminui o tempo de treinamento em 8%, quando comparada a outras abordagens do estado da arte, demonstrando-se uma alternativa viável para aplicações em VANETs com restrições de recursos.
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 420-433
Como Agregar e Não Influenciar Modelos - Controlando a Influência de Clientes no Aprendizado Federado Dinâmico
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.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 420-433
Open AccessComo Agregar e Não Influenciar Modelos - Controlando a Influência de Clientes no Aprendizado Federado Dinâmico
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.
- Open Access
- 27 January 2025
- Published by Sociedade Brasileira de Computação in Journal of Internet Services and Applications
- Vol. 16 (1) , 554-565
Which One is Better? Distributed Artificial Intelligence Strategies for Accurate Vehicular Emissions Forecasting
The rapid expansion of urban vehicular networks has led to increasing carbon emissions, posing significant environmental challenges in densely populated areas. Accurate emission predictions are crucial for sustainable urban planning, but current methods face limitations in handling large-scale dynamic data while balancing latency, privacy, and communication efficiency. This paper proposes a comprehensive framework study that compares centralized, federated, and shared learning approaches for CO2 emissions prediction in vehicular networks, using data from vehicles and roadside units (RSUs) to predict emissions in diverse urban scenarios. By evaluating the performance of each approach on latency, communication overhead, and prediction accuracy, this work provides insights into optimizing learning strategies for real-time, scalable, and privacy-preserving emissions management in intelligent transportation systems. The findings offer valuable guidance to urban planners and policymakers, fostering the development of sustainable urban mobility solutions.
- 27 January 2025
- Published by Sociedade Brasileira de Computação in Journal of Internet Services and Applications
- Vol. 16 (1) , 554-565
Open AccessWhich One is Better? Distributed Artificial Intelligence Strategies for Accurate Vehicular Emissions Forecasting
The rapid expansion of urban vehicular networks has led to increasing carbon emissions, posing significant environmental challenges in densely populated areas. Accurate emission predictions are crucial for sustainable urban planning, but current methods face limitations in handling large-scale dynamic data while balancing latency, privacy, and communication efficiency. This paper proposes a comprehensive framework study that compares centralized, federated, and shared learning approaches for CO2 emissions prediction in vehicular networks, using data from vehicles and roadside units (RSUs) to predict emissions in diverse urban scenarios. By evaluating the performance of each approach on latency, communication overhead, and prediction accuracy, this work provides insights into optimizing learning strategies for real-time, scalable, and privacy-preserving emissions management in intelligent transportation systems. The findings offer valuable guidance to urban planners and policymakers, fostering the development of sustainable urban mobility solutions.