Aprendizado Federado Incremental e Sensível ao Risco para Modelos de Ranqueamento

• Gestefane Rabbi Magalhães Universidade Federal de Minas Gerais (UFMG)
• Daniel Xavier de Sousa Instituto Federal de Goiás (IFG)
• Marcos André Gonçalves Universidade Federal de Minas Gerais (UFMG)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249410

Resumo

Esta dissertação propõe o FedRisk, um novo método de Federated Learning to Rank (FLTR) desenvolvido para lidar com um dos principais obstáculos do aprendizado federado: a construção de um modelo global confiável quando os dados dos participantes apresentam elevada heterogeneidade e seguem distribuições não independentes e não identicamente distribuídas (não-IID). O método combina uma estratégia de agregação orientada ao risco, que ajusta a contribuição de cada cliente com base na variação de seus erros de predição, com um mecanismo de estabilização que reutiliza parâmetros globais produzidos em rodadas anteriores. Essa integração busca reduzir oscilações durante o treinamento e tornar a convergência federada mais estável e robusta. Uma ampla avaliação experimental no benchmark MSLR-WEB10K evidencia que o FedRisk supera métodos federados amplamente adotados, entre eles o FedProx, obtendo melhoria de 15,6% em nDCG@5 e resultados comparáveis aos do treinamento centralizado em nDCG@10, além de diminuir de forma expressiva a variabilidade observada ao longo das rodadas de comunicação. Para além do desempenho alcanc¸ado, a pesquisa introduz uma formulação fundamentada de agregação sensível ao risco aplicada a FLTR, examina de maneira sistemática os impactos da heterogeneidade de dados sobre o ranqueamento federado e realiza uma validação experimental abrangente em configurações distribu ídas representativas. Abordando temas em Recuperação de Informação, Aprendizado de Máquina Distribuído e requisitos relacionados à privacidade de dados, essse trabalho amplia o conhecimento sobre o desenvolvimento de modelos de ranqueamento federados mais eficazes, estáveis e adequados a ambientes descentralizados. A relevância científica da pesquisa foi reconhecida pela concessão da Honra ao Mérito de Melhor Artigo Completo no SBBD 2025.

Palavras-chave: Learning to Rank, risco, modelo de ranqueamento, sensibilidade

Referências

Li, T., Sahu, A. K., Talwalkar, A., and Smith, V. (2020). Federated optimization in heterogeneous networks. In Proceedings of Machine Learning and Systems, pages 429–450.

McMahan, H. B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2023). Communication-efficient learning of deep networks from decentralized data.

Neto, H. N. C., Mattos, D. M. F., and Fernandes, N. C. (2020). Privacidade do usuário em aprendizado colaborativo: Federated learning, da teoria à prática. In Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSEG).

Reddi, S. J. and et al. (2021). Adaptive federated optimization. In ICLR.

Rodrigues, P. H., Danielde Sousa, França, C., Rabbi, G., Rosa, T., and Gonçalves, M. A. (2025). Risk-sensitive optimization of neural deep learning ranking models with applications in ad-hoc retrieval and recommender systems. IP&M, 62(4):104126.

Rodrigues, P. H. S., Xavier Sousa, D., Couto Rosa, T., and Gonçalves, M. A. (2022). Risk-sensitive deep neural learning to rank. In ACM SIGIR, page 803–813.

Wang, J. and Liu, M. (2020). Tackling the objective inconsistency problem in heterogeneous federated optimization. In NeurIPS.

Wang, S. (2024). Effective and secure federated online learning to rank. arXiv preprint arXiv:2412.19069.

Yu, T., Bagdasaryan, E., and Shmatikov, V. (2022). Salvaging federated learning by local adaptation.