Treine Menos, Preveja Mais: plugin de Aprendizado Federado habilita alta eficiência em dados heterogêneos

Abstract

O aprendizado federado (FL) surgiu como uma técnica onde diversos dispositivos (também chamados de clientes) podem aprender de forma colaborativa a partir da orquestração de um servidor central, proporcionando escalabilidade, privacidade e baixo custo de comunicação. A maioria das pesquisas sobre este tema apresenta propostas para a etapa do treinamento de modelos no aprendizado federado, para endereçar diversos problemas como a heterogeneidade estatística de dados, o que muitas vezes representa aumento de custos (e.g., computacional, armazenamento e comunicação). No entanto, recentemente foi proposta a solução FedPredict, um plugin que opera na etapa de predição do aprendizado federado, que quando adicionado pode melhorar significativamente o desempenho de diversas soluções tradicionais em cenários de heterogeneidade de dados, sem requerer qualquer modificação na sua estrutura original ou adição de treinamento. Nesta direção, este trabalho apresenta experimentos sobre uma nova descoberta: quanto mais heterogêneos são os dados, menos treinamento é necessário quando o FedPredict é adicionado, tornando o processo de aprendizado altamente eficiente.