Simulador de Aprendizado Federado e Análise de Convergência do Treinamento

Gabryel Medeiros de Oliveira, Lisandro Lovisolo, Guilherme Mota, Helio Nascimento Cunha Neto

DOI: 10.14209/sbrt.2025.1571157241

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

Keywords: Aprendizado Federado Aprendizado de Máquina Convergência

Abstract

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.

Download