Federated deep learning for IoT-enabled smart cities

• Grant number: 20/14771-2
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: December 01, 2020
• End date: September 30, 2022
• Field of knowledge: Physical Sciences and Mathematics - Computer Science - Computer Systems
• Agreement: MCTI/MC
• Principal Investigator: Carlos Alberto Kamienski
• Grantee: Fabíola Martins Campos de Oliveira Genari
• Host Institution: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Santo André , SP, Brazil
• Associated research grant: 15/24485-9 - Future internet for smart cities, AP.TEM

Abstract

Recursos da nuvem e névoa combinados com sensores e dispositivos da Internet das Coisas em cidades urbanas e fazendas podem melhorar a qualidade de vida de cidadãos e construir sociedades inteligentes através da digitalização e automação de processos atualmente manuais. Em cidades e fazendas inteligentes, sensores geralmente produzem uma vasta quantidade de dados, que necessitam de técnicas de big data e de aprendizado de máquina profundo para serem adequadamente processados, obtendo conhecimento sobre a cidade ou fazenda e melhorando a tomada de decisão. Não obstante, esses dados são geralmente produzidos em dispositivos diferentes. Considerando a infraestrutura de rede, o processamento desses dados apresenta alta latência e maior transmissão de dados. Além disso, como o processamento de redes neurais pode ser custoso quando executado em dispositivos com restrições como consumo de energia, poder computacional e memória, diferentes níveis na hierarquia da névoa podem ser considerados para oferecer melhor desempenho e não prejudicar a rede de comunicação. Assim, neste projeto, o objetivo é desenvolver um arcabouço para aprendizado de máquina profundo federado considerando os diferentes níveis da névoa para agregação de modelo em aplicações de cidades inteligentes e também verificar a viabilidade desse arcabouço em aplicações de agricultura inteligente. Modelaremos uma camada de aprendizado de máquina profundo para cada camada da arquitetura dispositivos - névoa - nuvem, de forma que cada camada execute sua porção respectiva do algoritmo de aprendizado profundo: treinamento e/ou inferência. Para este propósito, algoritmos de otimização serão executados considerando as características dos diferentes níveis da névoa e dos dispositivos. Esse arcabouço será utilizado para auxiliar pesquisas relacionadas a aprendizado de máquina profundo que serão desenvolvidas tanto pela bolsista quanto por pesquisadores da Universidade Federal do ABC e da Universidade Estadual de Campinas. (AU)

Scientific publications

(The scientific publications listed on this page originate from the Web of Science or SciELO databases. Their authors have cited FAPESP grant or fellowship project numbers awarded to Principal Investigators or Fellowship Recipients, whether or not they are among the authors. This information is collected automatically and retrieved directly from those bibliometric databases.)

DE OLIVEIRA, FABIOLA M. C.; BITTENCOURT, LUIZ F.; BIANCHI, REINALDO A. C.; KAMIENSKI, CARLOS A.. Drones in the Big City: Autonomous Collision Avoidance for Aerial Delivery Services. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, v. 25, n. 5, p. 18-pg., 2023-11-14. (20/14771-2, 15/24485-9, 14/50937-1)

DE OLIVEIRA, FABIOLA MARTINS CAMPOS; BITTENCOURT, LUIZ FERNANDO; KAMIENSKI, CARLOS ALBERTO; BORIN, EDSON. PANCODE: Multilevel Partitioning of Neural Networks for Constrained Internet-of-Things Devices. IEEE ACCESS, v. 11, p. 20-pg., 2023-01-01. (15/24485-9, 20/14771-2, 13/08293-7, 14/50937-1)