Soluções para Dados Heterogêneos em Aprendizado Federado através de Similaridade de Modelos e Agrupamento de Clientes
Revista Eletrônica de Iniciação Científica em Computação · 28.06.2024 · 22 · 61-70
DOI: 10.5753/reic.2024.4649 ↗Kurz gefasst
Fachartikel in der Zeitschrift Revista Eletrônica de Iniciação Científica em Computação, online erschienen am 28.06.2024. Verfasst von Gabriel U. Talasso und 1 weiteren Autor:innen. Die Arbeit nennt 20 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
O aumento dos dispositivos móveis e as crescentes preocupações com a privacidade têm colocado desafios significativos na inteligência artificial distribuída. Nesse cenário, surge o Federated Learning (FL) como um método promissor em que os modelos de aprendizagem são treinados de forma colaborativa e privada. No entanto, o FL também enfrenta desafios na convergência de modelos, otimização e sobrecarga de comunicação devido a heterogeneidade nos dados e dispositivos. Nesse contexto, este trabalho relata duas soluções desenvolvidas para endereçar esse problema: 1) NeuralMatch, uma ferramenta capaz de identificar similaridades entre os clientes apenas usando os modelos e 2) FedSCCS um solução completa que utiliza dos princípios anteriores para criar múltiplos modelos por agrupamento de clientes. Ambas soluções se mostram eficientes e eficazes conforme os amplos experimentos realizados.
Zitieren
APA
Talasso, G. U., & Villas, L. (2024). Soluções para Dados Heterogêneos em Aprendizado Federado através de Similaridade de Modelos e Agrupamento de Clientes. Revista Eletrônica de Iniciação Científica em Computação, 22, 61-70. https://doi.org/10.5753/reic.2024.4649
Vancouver
Talasso GU, Villas L. Soluções para Dados Heterogêneos em Aprendizado Federado através de Similaridade de Modelos e Agrupamento de Clientes. Revista Eletrônica de Iniciação Científica em Computação. 2024;22:61-70. doi:10.5753/reic.2024.4649
BibTeX
@article{Talasso2024,
author = {Talasso, Gabriel U. and Villas, Leandro},
title = {Soluções para Dados Heterogêneos em Aprendizado Federado através de Similaridade de Modelos e Agrupamento de Clientes},
journal = {Revista Eletrônica de Iniciação Científica em Computação},
year = {2024},
volume = {22},
pages = {61--70},
doi = {10.5753/reic.2024.4649}
}
EUVIMED