06 jun 2025
14:00 Defesa de Mestrado Sala 85 do IC2
Tema
HVCFL: Um Estudo de Aprendizado Federado Centralizado, Descentralizado e Híbrido em Redes Veiculares com Dados não-IID
Aluno
Luiz Fernando Rodrigues da Fonseca
Orientador / Docente
Luiz Fernando Bittencourt
Breve resumo
Nos últimos anos, o Aprendizado Federado vem ganhando grande atenção por parte da comunidade científica, principalmente por permitir que modelos de aprendizado de máquina sejam treinados com grandes quantidades de dados de forma distribuída, e mantendo a privacidade dos dados dos usuários. Enquanto a arquitetura original desta abordagem foca em servidores centralizados que agregam os modelos treinados nos clientes, novas técnicas descentralizadas estão sendo propostas para melhorar a escalabilidade e robustez, já que não existe um agente centralizador como único ponto de falha. Entretanto, métodos descentralizados possuem uma maior deficiência quanto a quão rápida a informação se propaga na rede, pois cada cliente somente se comunica com seus vizinhos. Outro desafio que impacta ambas as abordagens são dados não-IID (Não Independentes e Identicamente Distribuídos), pois cada nó da rede pode possuir diferentes distribuições de dados, e um único modelo pode não ser suficiente para atender todos os clientes com uma boa performance.
Ao mesmo tempo, com o advento hoje das redes móveis 5G, e posteriormente 6G, muitas aplicações que antes eram difíceis de serem implementadas estão ganhando espaço, como as VANETs (Redes Veiculares Ad Hoc). Estas são redes com protocolos de comunicação curta, onde veículos se comunicam somente com seus vizinhos próximos e com a infraestrutura de borda, como as Roadside Units (RSUs), apresentando desafios tanto para abordagens de aprendizado federado centralizadas, já que veículos podem não conseguir se comunicar a todo momento com a infraestrutura da rede, quanto para descentralizadas, uma vez que a rede é altamente dinâmica devido a mobilidade, dificultando a disseminação da informação.
Desta forma, este trabalho propôs um método centralizado e outro híbrido de aprendizado federado para redes veiculares, chamados WSVC (Weight-Similarity Vehicle Clustering) e HVCFL (Hybrid Vehicle Clustered Federated Learning). Foram feitos extensos experimentos com diferentes conjuntos de dados e diversas distribuições não-IID, comparando seus resultados com métodos da literatura. Foram utilizadas ferramentas para simulação de redes veiculares, de forma que o ambiente experimental consiga reproduzir com maior fidelidade as características particulares destas redes, como potência de sinal de curto alcance, objetos que bloqueiam o sinal (Shadowing), e a mobilidade. Assim, com os resultados obtidos, foi possível listar pontos positivos e negativos de cada abordagem, como o WSVC convergindo mais rapidamente com menos mensagens trocadas quando a cobertura de RSUs era maior, e o HVCFL atingindo mais veículos, cobrindo toda a rede e conseguindo uma acurácia balanceada maior.
Banca examinadora
Titulares:
| Luiz Fernando Bittencourt | IC/UNICAMP |
| Vinícius Fernandes Soares Mota | CT/UFES |
| Allan Mariano de Souza | IC/UNICAMP |
Suplentes:
| Hélio Pedrini | IC/UNICAMP |
| Jó Ueyama | ICMC/USP |