Seleção do Modelo Federado Baseada em Previsão de Desempenho e Tempo de Comunicação

Luana Gantert, Miguel Elias M Campista

DOI: 10.14209/sbrt.2025.1571157155

Evento: XLIII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT2025)

Keywords: Aprendizado Federado Internet das Coisas Cidades Inteligentes

Abstract

O aprendizado federado assume que clientes e servidores se conhecem previamente e que o processo de seleção é apenas relativo aos clientes. Este trabalho vai em uma direção diferente e propõe a seleção de servidores a partir de estimativas futuras de desempenho dos modelos em treinamento. Cada cliente inicia dois procedimentos de treinamento em paralelo com dois servidores com dois modelos distintos e calcula, através de regressão linear, qual deles deve ser mantido. A proposta compara o desempenho dos servidores a partir da métrica AUC-ROC em uma dada rodada \(math\r) e, caso a diferença seja maior ou igual a \(math\\beta)\%, o cliente mantém o treinamento apenas com o de melhor desempenho. A proposta também considera a latência da comunicação cliente-servidor como critério de decisão, simulando a latência com valores provenientes de aplicações de monitoramento industrial. Os resultados demonstram redução da função de perda durante o treinamento dos modelos em relação à proposta utilizada como base. Além disso, ao variar o parâmetro \(math\\beta), o melhor cenário analisado apresenta redução de aproximadamente \(math\10.4\%) da latência acumulada no treinamento com maior valor de \(math\r). E um aumento de \(math\12.5\%) na métrica AUC-ROC, considerando o cliente com aumento de desempenho mais expressivo.

Download