22abr2026
16:00 Defesa de Mestrado Sala 85 do IC
Tema
Aprendizado Federado em Cenários de Participação Não-estacionária
Aluno
Rafael de Oliveira Jarczewski
Orientador / Docente
Allan Mariano de Souza
Breve resumo
O Aprendizado Federado (FL) consolidou-se como uma abordagem fundamental para o treinamento de modelos de Inteligência Artificial distribuídos, permitindo o aproveitamento de dados sensíveis diretamente na borda da rede (edge) sem comprometer a privacidade. Com a expansão da Internet das Coisas (IoT), a capacidade de orquestrar o aprendizado colaborativo em dispositivos heterogêneos tornou-se crítica para aplicações que variam desde a saúde até cidades inteligentes. No entanto, a literatura clássica e os algoritmos fundamentais do FL operam sob premissas idealizadas de disponibilidade, assumindo que os clientes estão prontos para computar de forma uniforme. Em cenários reais, a participação é não-estacionária e intermitente, ditada por restrições de bateria, rede e autonomia do usuário. Essa desconexão gera dois problemas sistêmicos: o viés de participação, em que o modelo se especializa apenas em dispositivos estáveis, e o desperdício de recursos de transmissão ao enviar modelos para clientes que abandonam o treinamento. Esta dissertação propõe uma arquitetura de sistema robusta à participação dinâmica, atuando tanto na etapa de seleção quanto na agregação. Apresenta-se o LetsFed, uma estratégia de seleção que dissocia a utilidade dos dados da estabilidade da conexão através de um mecanismo de convite. Complementarmente, introduz-se um framework unificado de agregação (FedPIPC e FedWIKP) que implementa a Ponderação por Influência para mitigar vieses de frequência, mecanismos de Preservação de Conhecimento e uma estratégia de Catch-up Learning para reintegrar eficientemente clientes que retornam após longos períodos de ausência. A validação foi conduzida em um ambiente containerizado utilizando o framework Flower, simulando cenários de heterogeneidade estatística (Non-IID) com datasets padrão (MNIST, Fashion-MNIST e USPS) . As soluções propostas foram comparadas com diversas abordagens do estado da arte, incluindo FedAvg, FedProx, FedYogi e Flash, avaliando métricas de acurácia, estabilidade e desperdício de transmissão de dados (DTW). Os experimentos demonstraram que o LetsFed reduziu o DTW entre 11% e 50% em comparação aos baselines, mantendo a acurácia em cenários restritivos. Por sua vez, o mecanismo de agregação proposto mostrou-se até 2,5 vezes mais eficiente no uso de largura de banda do que métodos robustos como Flash e FedYogi, garantindo maior estabilidade de participação em ambientes dinâmicos.
Banca examinadora
Titulares:
| Allan Mariano de Souza | IC/UNICAMP |
| Heitor Soares Ramos Filho | DCC/UFMG |
| Esther Luna Colombini | IC/UNICAMP |
Suplentes:
| Lucas Francisco Wanner | IC/UNICAMP |
| Maycon Leone Maciel Peixoto | DCC/UFBA |