Um Framework para Realizar Aprendizado Federado em Ambientes com Recursos de Hardware Limitados

• Igor L. Tomich UFMG
• Guilherme Maia UFMG https://orcid.org/0000-0001-9758-7829

DOI: https://doi.org/10.5753/sbrc.2025.6465

Resumo

Este artigo apresenta um framework de Aprendizado Federado adaptado para ambientes com recursos limitados, com foco em dispositivos IoT. Este é o primeiro framework que permite realizar treinamento federado diretamente em microcontroladores. O framework demonstra a autonomia dos nós federados, validando a viabilidade de treinar modelos diretamente em microcontroladores. Dois experimentos foram realizados, mostrando resultados promissores, apesar de desafios inerentes ao ambiente, tais como limitações computacionais, comunicabilidade e escalabilidade. Comparações com frameworks estabelecidos, como TensorFlow-Federated, destacam a eficiência e o dinamismo da solução proposta. O trabalho também discute ideias práticas e melhorias, contribuindo para o avanço do aprendizado descentralizado e para a evolução do cenário TinyML.

Palavras-chave: Aprendizado Federado, TinyML, Microcontroladores, ESP32

Referências

Abadade, Y., Temouden, A., Bamoumen, H., Benamar, N., Chtouki, Y., and Hafid, A. S. (2023). A comprehensive survey on tinyml. IEEE Access, 11, 96892–96922.

Ficco, M., Guerriero, A., Milite, E., Palmieri, F., Pietrantuono, R., and Russo, S. (2024). Federated learning for IoT devices: Enhancing tinyml with on-board training. Information Fusion, 104, 102189.

Li, H., Ota, K., and Dong, M. (2018). Learning IoT in edge: Deep learning for the internet of things with edge computing. IEEE Network, 32(1), 96–101.

Llisterri Giménez, N., Monfort Grau, M., Pueyo Centelles, R., and Freitag, F. (2022). On-device training of machine learning models on microcontrollers with federated learning. Electronics, 11(4).

Rai, P. and Rehman, M. (2019). ESP32 based smart surveillance system. In 2019 2nd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), 1–3.

Shi, W., Pallis, G., and Xu, Z. (2019). Edge computing [scanning the issue]. Proceedings of the IEEE, 107(8), 1474–1481.

Sun, T., Li, D., and Wang, B. (2023). Decentralized federated averaging. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(4), 4289–4301.

Verbraeken, J., Wolting, M., Katzy, J., Kloppenburg, J., Verbelen, T., and Rellermeyer, J. S. (2020). A survey on distributed machine learning. ACM Computing Surveys, 53(2), 1–33.

Wang, P., Li, Y., and Reddy, C. K. (2017). Machine learning for survival analysis: A survey.

Wulfert, L., Wiede, C., and Grabmaier, A. (2023). TinyFL: On-device training, communication and aggregation on a microcontroller for federated learning. In 2023 21st IEEE Interregional NEWCAS Conference (NEWCAS), 1–5.

Zhang, C., Xie, Y., Bai, H., Yu, B., Li, W., and Gao, Y. (2021). A survey on federated learning. Knowledge-Based Systems, 216, 106775.

Čolaković, A. and Hadžialić, M. (2018). Internet of things (IoT): A review of enabling technologies, challenges, and open research issues. Computer Networks, 144, 17–39.