Simulador de Aprendizado Federado e Análise de Convergência do Treinamento

No paradigma de aprendizado federado, diversas fontes de dados são empregadas para aprender sobre um mesmo problema ou modelo. As instâncias são usadas para aprender/atualizar localmente o modelo. Cada atualização do modelo é enviada a uma central que atualiza o modelo global. O modelo global é reencaminhado para os dispositivos. Esse processo é iterado até atingir-se o critério de convergência. Este trabalho, apresenta um simulador de aprendizado federado. Tal ferramenta permite estudar e analisar impactos de diferentes parâmetros do treinamento, número de máquinas e outros aspectos na convergência do aprendizado. A ferramenta pretende ser uma plataforma de testes para a avaliação de diferentes formas de quantizar, codificar e aleatorizar as atualizações para avaliar seus impactos no aprendizado e na segurança do processo de aprendizado, de forma a obter uma codificação com algum nível de privacidade.