Author:
Bastos Johann Jakob Schmitz,Sarmento Eduardo Montagner de Moraes,Villaça Rodolfo da Silva,Mota Vinícius F. S.
Abstract
Este artigo apresenta o MiniNetFed, uma ferramenta de emulação de um ambiente com dispositivos heterogêneos para análise de algoritmos de aprendizado federado. A ferramenta permite aos usuários definirem: i) modo de divisão do conjunto de dados entre os dispositivos; ii) políticas de seleção de clientes; iii) função de agregação de modelos; iv) utilizar modelos para os principais datasets disponíveis; e v) visualizações gráficas das principais métricas de desempenho. Por fim, além do potencial educacional, o MiniNetFed foi projetado de forma que novos algoritmos e modelos sejam facilmente estendidos, permitindo que pesquisadores implementem e avaliem suas propostas.
Publisher
Sociedade Brasileira de Computação - SBC
Reference10 articles.
1. (2013). Wearable computing: Classification of body postures and movements (puc-rio). [link]. Data Set Source: Pontifical Catholic University of Rio de Janeiro (PUC-Rio).
2. Chen, H., Huang, S., Zhang, D., Xiao, M., Skoglund, M., and Poor, H. V. (2022). Federated learning over wireless iot networks with optimized communication and resources. IEEE Internet of Things Journal, pages 1–1.
3. Hosseinzadeh, M., Hudson, N., Heshmati, S., and Khamfroush, H. (2022). Communication-loss trade-off in federated learning: A distributed client selection algorithm. In IEEE Consumer Communications & Networking Conf., pages 1–6.
4. Malekzadeh, M., Clegg, R. G., Cavallaro, A., and Haddadi, H. (2018). Protecting sensory data against sensitive inferences. In Privacy by Design in Distributed Systems. ACM.
5. 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.