Como Agregar e Não Influenciar Modelos - Controlando a Influência de Clientes no Aprendizado Federado Dinâmico

• Rafael O. Jarczewski UNICAMP http://orcid.org/0000-0002-2062-8976
• Eduardo Cerqueira UFPA https://orcid.org/0000-0003-2162-6523
• Luiz F. Bittencourt UNICAMP https://orcid.org/0000-0001-6305-9059
• Antonio A. F. Loureiro UFMG https://orcid.org/0000-0002-5250-1785
• Leandro A. Villas UNICAMP https://orcid.org/0000-0002-3372-3366
• Allan M. de Souza UNICAMP https://orcid.org/0000-0002-5518-8392

DOI: https://doi.org/10.5753/sbrc.2025.6189

Resumo

Sistemas distribuídos têm se mostrado uma abordagem essencial para o aprendizado de máquina, especialmente em cenários com grande quantidade de dispositivos conectados, como a Internet das Coisas (IoT) e Cidades Inteligentes. No entanto, a disponibilidade desses dispositivos é crucial para um treinamento eficaz, e não é garantida durante todo o treinamento devido a limitações como bateria, largura de banda ou requisitos de conformidade. Para enfrentar esses desafios, propomos FedPIPC, um método de agregação que utiliza a participação dos clientes como fatores de influência no modelo global, combinado com um mecanismo de preservação de conhecimento para mitigar os impactos das oscilações na participação ao longo do treinamento federado. Os resultados empíricos indicam que a solução proposta melhora o equilíbrio entre precisão e transmissão de dados em até 50% e reduz o volume de transmissão em até 89%, comprovando sua eficácia em cenários dinâmicos.

Palavras-chave: Aplicações de big data e aprendizado de máquina para redes de computadores e sistemas distribuídos, Desempenho, escalabilidade e confiabilidade, Algoritmos Distribuídos, Aplicações Distribuídas e em Rede

Referências

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Fernandez-Marques, J., Gao, Y., Sani, L., Li, K. H., Parcollet, T., de Gusmão, P. P. B., and Lane, N. D. (2022). Flower: A friendly federated learning research framework.

Capanema, C. G. S., de Souza, A. M., da Costa, J. B. D., Silva, F. A., Villas, L. A., and Loureiro, A. A. F. (2025). A novel prediction technique for federated learning. IEEE Transactions on Emerging Topics in Computing, 13(1):5–21.

Cho, Y. J., Jhunjhunwala, D., Li, T., Smith, V., and Joshi, G. (2024). Maximizing global model appeal in federated learning. Transactions on Machine Learning Research.

Crawshaw, M. and Liu, M. (2024). Federated learning under periodic client participation and heterogeneous data: A new communication-efficient algorithm and analysis. In Advances in Neural Information Processing Systems.

Criado, M. F., Casado, F. E., Iglesias, R., Regueiro, C. V., and Barro, S. (2022). Non-iid data and continual learning processes in federated learning: A long road ahead. Information Fusion, 88:263–280.

De Lange, M., Aljundi, R., Masana, M., Parisot, S., Jia, X., Leonardis, A., Slabaugh, G., and Tuytelaars, T. (2022). A continual learning survey: Defying forgetting in classification tasks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(7):3366–3385.

de Souza, A. M., Maciel, F., da Costa, J. B., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A., and Villas, L. A. (2024). Adaptive client selection with personalization for communication efficient federated learning. Ad Hoc Networks, 157:103462.

Gama, J. A., Žliobaitė, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys, 46(4).

Jarczewski, R. O., Cerqueira, E., Bittencourt, L. F., Loureiro, A. A. F., Villas, L. A., and de Souza, A. M. (2024). Let’s federate - effective communication strategy for dynamic client participation. In 2024 International Conference on Machine Learning and Applications (ICMLA), pages 361–368.

Jee Cho, Y., Wang, J., and Joshi, G. (2022). Towards understanding biased client selection in federated learning. In Camps-Valls, G., Ruiz, F. J. R., and Valera, I., editors, Proceedings of The 25th International Conference on Artificial Intelligence and Statistics, volume 151 of Proceedings of Machine Learning Research, pages 10351–10375. PMLR.

Kang, M., Kim, S., Jin, K. H., Adeli, E., Pohl, K. M., and Park, S. H. (2024). Fednn: Federated learning on concept drift data using weight and adaptive group normalizations. Pattern Recognition, 149:110230.

Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., and Smith, V. (2020). Federated optimization in heterogeneous networks. Proceedings of Machine Learning and Systems, 2:429–450.

McMahan, H. B., Moore, E., Ramage, D., and y Arcas, B. A. (2016). Federated learning of deep networks using model averaging. arXiv preprint arXiv:1602.05629, 2:2.

Reddy, K. D. and Gadekallu, T. R. (2023). A comprehensive survey on federated learning techniques for healthcare informatics. Computational Intelligence and Neuroscience, 2023:8393990.

Souza, A., Bittencourt, L., Cerqueira, E., Loureiro, A., and Villas, L. (2023). Dispositivos, eu escolho vocês: Seleção de clientes adaptativa para comunicação eficiente em aprendizado federado. In Anais do XLI Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 1–14, Porto Alegre, RS, Brasil. SBC.

Xiang, M., Ioannidis, S., Yeh, E., Joe-Wong, C., and Su, L. (2024). Efficient federated learning against heterogeneous and non-stationary client unavailability. In Advances in Neural Information Processing Systems.

Yan, Y., Niu, C., Ding, Y., Zheng, Z., Tang, S., Li, Q., Wu, F., Lyu, C., Feng, Y., and Chen, G. (2023). Federated optimization under intermittent client availability. INFORMS Journal on Computing, 36(1):185–202.

Yao, D., Zhu, Z., Liu, T., Xu, Z., and Jin, H. (2024). Rethinking personalized federated learning from a knowledge perspective. In Proceedings of the 53rd International Conference on Parallel Processing, pages 991–1000.

Zhu, H., Xu, J., Liu, S., and Jin, Y. (2021). Federated learning on non-iid data: A survey. Neurocomputing, 465:371–390.