Redução do custo computacional em redes de difusão adaptativas e no treinamento distribuído de redes neurais: teoria e aplicações

• Processo: 25/05859-7
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de agosto de 2027
• Área do conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Daniel Gilio Tiglea
• Beneficiário: Daniel Gilio Tiglea
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Município da Instituição Sede: São Paulo
• Pesquisadores associados: Luis Antonio Azpicueta Ruiz ; Magno Teófilo Madeira da Silva ; Renato Candido
• Assunto(s): Aprendizado computacional Filtragem adaptativa Redes de sensores Processamento de sinais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | filtragem adaptativa | Processamento Distribuído de Sinais | Redes de Sensores | Sinais de eletroencefalograma | Processamento de Sinais

Resumo

Técnicas de processamento distribuído de sinais têm atraído a atenção da comunidade científica por apresentar vantagens em comparação com abordagens centralizadas. Nessa área, técnicas de amostragem e censura têm sido temas de particular interesse, uma vez que o custo computacional e/ou energéticoassociado à medição, processamento e/ou transmissão dos dados ao longo de toda a rede pode ser proibitivo em certos casos. Neste projeto, pretende-se fazer um estudo aprofundado de técnicas de amostragem e censura em redes de difusão, propondo melhorias para algoritmos que surgiram recentemente na literatura e buscando obter resultados teóricos acerca do efeito dessas técnicas sobre o desempenho das redes. Além disso, pretende-se investigar o comportamento de soluções para o processamento distribuído de sinais em aplicações práticas, como o levantamento acústico de ambientes e a detecção de artefatos em sinais de eletroencefalograma. Por fim, pretende-se estudar o treinamento distribuído de redes neurais. Esta abordagem surgiu na literatura como uma possível solução para o aprendizado de máquina em situações em que se deseja mitigar os riscos associados à privacidade dos dados. Com isso, seria possível a obtenção de um modelo a partir de todos os dados disponíveis, sem que seja necessário concentrar muitos dados sensíveis em uma única máquina -- como frequentemente ocorre em aplicações médicas. Também neste caso o foco da pesquisa estará na redução do custo computacional associado à tarefa de aprendizado, sem que haja efeitos indesejáveis significativos sobre o desempenho do modelo obtido. (AU)