Seleção de clientes em aprendizado federado

• Processo: 24/08223-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2024
• Data de Término da vigência: 31 de maio de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Miguel Elias Mitre Campista
• Beneficiário: Maria Victoria França Silva Ramos
• Instituição Sede: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa (COPPE). Universidade Federal do Rio de Janeiro (UFRJ). Ministério da Educação (Brasil)
• Vinculado ao auxílio: 23/00811-0 - EcoSustain: ciência de dados e computação para o meio ambiente, AP.TEM
• Assunto(s): Aprendizado computacional Aprendizado federado
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado federado | Mitigação de retardatário | Seleção de clientes | Sistemas Distribuídos e Redes de Computadores

Resumo

O desempenho do aprendizado federado é afetado pelo tempo que os participantes levam para treinar modelos localmente e enviá-los ao servidor. Assim, o objetivo principal deste projeto é analisar a influência da seleção de clientes na aprendizagem federada utilizando como critério a latência de resposta ao servidor. Assim, ao distinguir os participantes, pretende-se reduzir o impacto dos retardatários no tempo de convergência do modelo. No entanto, como os atrasos na resposta podem resultar de fatores fora do controle dos participantes, também serão investigadas estratégias que consigam se beneficiar de contribuições tardias.