Aprendizado Federado Contínuo

• Processo: 24/13480-5
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de setembro de 2024
• Data de Término da vigência: 30 de junho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Heitor Soares Ramos Filho
• Beneficiário: Manuela Monteiro Fernandes de Oliveira
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
• Vinculado ao auxílio: 23/00721-1 - Quantificação de incerteza em aprendizado federado adversário, AP.R
• Assunto(s): Aprendizado federado Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado Contínuo | Aprendizado federado | Quantificação de incerteza | Aprendizado de Máquina

Resumo

Aprendizagem contínua (ou aprendizagem incremental) é um paradigma que acumula conhecimento prévio para resolver uma sequência de tarefas (e.g., descoberta de novas classes). Sistemas que seguem tal paradigma deve ser projetados para realizar treinamento incremental de tarefas sem revisitar dados prévios a cada passo. Um desafio fundamental de tal paradigma é evitar o esquecimento de conhecimento prévio, fenômeno conhecido como esquecimento catastrófico. Devido a restrições de privacidade impostas por ambientes de aprendizado federado (FL), a aprendizagem federada apresenta novos desafios para a aprendizagem contínua, como utilizar conhecimento de outros clientes sem permitir que conhecimento irrelevante interfira com o processo de Aprendizagem. Por exemplo, um dos problemas de privacidade mais relevantes é inferir se um programa é malicioso, i.e., se o programa se trata de um malware. Apesar de Softwares de Antivírus serem a abordagem mais popular para deteção de malware, novos tipos de malware são desenvolvidos de maneira rápida, fazendo com que a maioria das técnicas de detecção se tornem obsoletas, especialmente softwares de antivírus usuais, tendo em vista que eles dependem da incorporação da assinatura dos malwares em suas bases de dados para fazer a detecção de forma eficiente. Portanto, novas técnicas para detecção de novos malwares são necessárias para proteção de sistemas, especialmente durante os primeiros dias após a criação de um novo malware. dado este problema, nós podemos utilizar Verossimilhança Marginal para quantificar a aderência dos dados aos antigos e novos conhecimentos de maneira simultânea e, com este quantificador, realizar um treinamento local de um modelo utilizando estas duas funções objetivo (e.g., métodos e meta-aprendizagem). Redes neurais bayesianas também podem ser úteis para aprendizagem online: posteriors antigos podem ser reciclados como priors quando novos dados são acrescentados de modo a evitar o esquecimento catastrófico. Várias aplicações (e.g. ataques DDoS ou detecção de malware) podem se beneficiar do paradigma de aprendizagem federada contínua, configurando assim uma nova linha de pesquisa promissora.