Analyzing Federated Learning Performance in Distributed Edge Scenarios

• Autor(a) principal: Remde, Fernando Ferreira
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/240012
• topic: Aprendizagem Federada; Computação; Computação de Borda; Federated Learning; Edge Computing; Observability; Performance

Aprendizagem federada é um paradigma de aprendizagem de máquina onde diversos clientes treinam um único modelo de forma cooperativa enquanto mantêm seus dados privados e decentralizados. Esse paradigma inovador impõe muitos desafios, como lidar com dados que não são independentes e igualmente distribuídos, divididos entre clientes que não estão sincronizados e possuem poder de computação limitado. Esses clientes normalmente são dispositivos de borda, como celulares e sensores, que formam um sistema que é heteorgêneo, altamente distribuído por natureza e de difícil administração. Este trabalho propõe uma arquitetura para rodar experimentos de aprendizagem federada em um ambiente distribuído com poder de computação limitado. Baseado nessa arquitetura, uma série de experimentos são conduzidos para analisar como o desempenho do sistema é afetado pelas diferentes de parâmetros e pelo variado número de clientes.