29 nov 2024
15:30 Defesa de Mestrado Sala 85 do IC2
Tema
Seleção de Clientes para Treinamento Eficiente, Privado e Protegido no Aprendizado Federado
Aluno
Nícolas Riccieri Gardin Assumpção
Orientador / Docente
Leandro Aparecido Villas
Breve resumo
O Aprendizado Federado (FL) é um paradigma que possibilita o treinamento distribuído de modelos de IA onde participantes colaboram para a criação de um único modelo global.o FL não apenas elimina a necessidade de centralizar os dados, mas também mantém a privacidade dos dados envolvidos, possibilitando o uso de informações sensíveis no treinamento. Os principais desafios enfrentados pelo FL atualmente incluem a natureza não-IID dos dados, as garantias de privacidade diante de ataques de vazamento e a consistência do treinamento frente a ataques de envenenamento. O desafio é ainda maior considerando a concorrência entre as soluções da literatura para resolver esses problemas. Esta pesquisa de mestrado abordou esses desafios ao propor estratégias de seleção de clientes (RPP e FPP) que favorecem a escolha de clientes com maior valor de perda, ao mesmo tempo em que utilizam os clientes para avaliar a evolução dos modelos, possibilitando a recuperação do treinamento em caso de ataques. As duas estratégias propostas foram comparadas com outras quatro da literatura, e verificou-se a capacidade do RPP e FPP de convergir, mesmo na presença de atacantes, em cenários onde as demais estratégias falharam em convergir.
Banca examinadora
Titulares:
| Leandro Aparecido Villas | IC/UNICAMP |
| Antonio Alfredo Ferreira Loureiro | DCC/UFMG |
| Hilder Vitor Lima Pereira | IC/UNICAMP |
Suplentes:
| Juliana Freitag Borin | IC/UNICAMP |
| Rodolfo Ipolito Meneguette | ICMC/USP |