SCOPE-FL: Seleção de Clientes por Ordem de Entropia

• Isaque O. Silva UFPA
• Carlos Vitelli UFPA
• Iago Medeiros UFPA

DOI: https://doi.org/10.5753/erin.2025.16155

Resumo

A crescente utilização de dispositivos conectados exige novos métodos para lidar com a quantidade e privacidade dos dados compartilhados. Federated Learning (FL) surge como uma solução, permitindo o treinamento de modelos sem compartilhar dados diretamente, preservando a privacidade dos clientes. No entanto, nem todos os clientes são igualmente úteis para o aprimoramento de modelos globais, tornando necessária uma seleção eficiente de clientes. O SCOPE-FL propõe um mecanismo dinâmico de seleção de clientes, atribuindo pesos à entropia dos dados e ao tamanho do dataset, para garantir uma contribuição mais eficiente para o modelo global. Isso é feito calculando uma pontuação de relevância para cada cliente, com base nesses fatores, e ajustando os pesos atribuídos a cada cliente. O SCOPE-FL usa o método FedAvg para agregar modelos locais, priorizando clientes com dados mais relevantes. Após simulações utilizando o dataset MNIST, o SCOPE-FL superou métodos tradicionais, mostrando uma taxa de acurácia superior a 60% após 12 rodadas, alcançando até 80% em 22 rodadas.

Palavras-chave: Aprendizado Federado, MNIST, Entropia

Referências

AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., and Guizani, M. (2020). A survey on federated learning: The journey from centralized to distributed on-site learning and beyond. IEEE Internet of Things Journal, 8(7):5476–5497.

de Souza, A. M., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A., and Villas, L. A. (2023). Dispositivos, eu escolho vocês: Seleçao de clientes adaptativa para comunicaçao eficiente em aprendizado federado. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 1–14. SBC.

Deng, Y., Lyu, F., Ren, J., Wu, H., Zhou, Y., Zhang, Y., and Shen, X. (2021). Auction: Automated and quality-aware client selection framework for efficient federated learning. IEEE Transactions on Parallel and Distributed Systems, 33(8):1996–2009.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics, pages 1273–1282. PMLR.

Orlandi, F. C., Dos Anjos, J. C., Santana, J. F. d. P., Leithardt, V. R., and Geyer, C. F. (2023). Entropy to mitigate non-iid data problem on federated learning for the edge intelligence environment. IEEE Access.

Pires, I. M., Marques, G., Garcia, N. M., Flórez-Revuelta, F., Canavarro Teixeira, M., Zdravevski, E., Spinsante, S., and Coimbra, M. (2020). Pattern recognition techniques for the identification of activities of daily living using a mobile device accelerometer. Electronics, 9(3):509.

Zhang, J., Hua, Y., Wang, H., Song, T., Xue, Z., Ma, R., and Guan, H. (2023). Fedala: Adaptive local aggregation for personalized federated learning. In AAAI Conference on Artificial Intelligence, volume 37, pages 11237–11244.