AGATA – Arquitetura para Gerenciamento Automático de Tarefas de Aprendizado Federado
Resumo
O aprendizado federado protege a privacidade ao efetuar o treinamento do modelo nos dispositivos dos usuários. Entretanto, o operador em nuvem não possui acesso aos dispositivos, que estão muitas vezes indisponíveis, para experimentar com diferentes modelos e hiperparâmetros. Este trabalho propõe uma ferramenta que resolve esses problemas ao oferecer funcionalidades para a inicialização, finalização e troca automática de múltiplas tarefas de aprendizado federado. A implementação da AGATA é compatível com ferramentas populares, como o Flower, e se diferencia de outros sistemas por automatizar a troca de hiperparâmetros e códigos.
Palavras-chave:
Aprendizado Federado, Microsserviços
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. et al. (2020). Flower: A friendly federated learning research framework. arXiv preprint arXiv:2007.14390.
Contributors, P. (2025). Pytorch: An open source machine learning framework. Acessado em: 12 de janeiro de 2025.
Galende, B. A., Mayoral, S. U., García, F. M. e Lottmann, S. B. (2024). FLIP: A New Approach for Easing the Use of Federated Learning.
Hipp, D. R. (2024). SQLite: A C library that implements an SQL database engine. Acessado em: 12 de janeiro de 2025.
McMahan, B., Moore, E., Ramage, D., Hampson, S. e y Arcas, B. A. (2017). Communication-efficient Learning of Deep Networks from Decentralized Data. Artificial Intelligence and Statistics, páginas 1273–1282.
Moon, J., Yang, S. e Lee, K. (2024). FedOps: A Platform of Federated Learning Operations With Heterogeneity Management. IEEE Access, 12:4301–4314.
Pivotal Software, Inc. (2025). RabbitMQ Documentation. Acessado em: 12 de janeiro de 2025.
Wang, E., Chen, B., Chowdhury, M., Kannan, A. e Liang, F. (2023). FLINT: A Platform for Federated Learning Integration. Proceedings of Machine Learning and Systems, 5:21–34.
Yang, S., Moon, J., Kim, J., Lee, K. e Lee, K. (2023). FLScalize: Federated Learning Lifecycle Management Platform. IEEE Access, 11:47212–47222.
Contributors, P. (2025). Pytorch: An open source machine learning framework. Acessado em: 12 de janeiro de 2025.
Galende, B. A., Mayoral, S. U., García, F. M. e Lottmann, S. B. (2024). FLIP: A New Approach for Easing the Use of Federated Learning.
Hipp, D. R. (2024). SQLite: A C library that implements an SQL database engine. Acessado em: 12 de janeiro de 2025.
McMahan, B., Moore, E., Ramage, D., Hampson, S. e y Arcas, B. A. (2017). Communication-efficient Learning of Deep Networks from Decentralized Data. Artificial Intelligence and Statistics, páginas 1273–1282.
Moon, J., Yang, S. e Lee, K. (2024). FedOps: A Platform of Federated Learning Operations With Heterogeneity Management. IEEE Access, 12:4301–4314.
Pivotal Software, Inc. (2025). RabbitMQ Documentation. Acessado em: 12 de janeiro de 2025.
Wang, E., Chen, B., Chowdhury, M., Kannan, A. e Liang, F. (2023). FLINT: A Platform for Federated Learning Integration. Proceedings of Machine Learning and Systems, 5:21–34.
Yang, S., Moon, J., Kim, J., Lee, K. e Lee, K. (2023). FLScalize: Federated Learning Lifecycle Management Platform. IEEE Access, 11:47212–47222.
Publicado
19/05/2025
Como Citar
THOMAZ, Guilherme A.; SILVA, Fernando Dias de M.; DE SOUZA, Lucas Airam C.; COSTA, Luís Henrique M. K.; CAMPISTA, Miguel Elias M..
AGATA – Arquitetura para Gerenciamento Automático de Tarefas de Aprendizado Federado. In: SALÃO DE FERRAMENTAS - SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 43. , 2025, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 121-128.
ISSN 2177-9384.
DOI: https://doi.org/10.5753/sbrc_estendido.2025.7755.
