SCOPE-FL: seleção de clientes por ordem de entropia no aprendizado federado

Página do item simplificado
dc.contributor.advisor1MEDEIROS, Iago Lins de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7024608706674939
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0003-4758-0519
dc.creatorSILVA, Isaque Oliveira
dc.creatorSILVA, Carlos Eduardo Vitelli da
dc.date.accessioned2025-10-01T13:44:08Z
dc.date.available2025-10-01T13:44:08Z
dc.date.issued2025-09-09
dc.description.abstractThe increasing use of connected devices requires new methods to handle the quantity and privacy of shared data. Federated Learning (FL) emerges as a solution, enabling model training without directly sharing data, preserving the clients’ privacy. However, not all clients are equally useful for improving global models, making efficient client selection necessary. SCOPE-FL proposes a dynamic client selection mechanism, assigning weights to data entropy and dataset size to ensure a more efficient contribution to the global model. This is done by calculating a relevance score for each client based on these factors and adjusting the weights assigned to each client. SCOPE-FL uses the FedAvg method to aggregate local models, prioritizing clients with more relevant data. Tested with MNIST, SCOPE-FL outperformed traditional methods, showing an accuracy rate of over 60% after 12 rounds, reaching up to 80% after 22 rounds.
dc.description.resumoA crescente utilização de dispositivos conectados exige novos métodos para lidar com a quantidade e privacidade dos dados compartilhados. Federated Learning (FL) surge como uma solução, permitindo o treinamento de modelos sem compartilhar dados diretamente, preservando a privacidade dos clientes. No entanto, nem todos os clientes são igualmente úteis para o aprimoramento de modelos globais, tornando necessária uma seleção eficiente de clientes. O SCOPE-FL propõe um mecanismo dinâmico de seleção de clientes, atribuindo pesos à entropia dos dados e ao tamanho do dataset, para garantir uma contribuição mais eficiente para o modelo global. Isso é feito calculando uma pontuação de relevância para cada cliente, com base nesses fatores, e ajustando os pesos atribuídos a cada cliente. O SCOPE-FL usa o método FedAvg para agregar modelos locais, priorizando clientes com dados mais relevantes. Após simulações utilizando o dataset MNIST, o SCOPE-FL superou métodos tradicionais, mostrando uma taxa de acurácia superior a 60% após 12 rodadas, alcançando até 80% em 22 rodadas.
dc.identifier.citationSILVA, Isaque Oliveira; SILVA, Carlos Eduardo Vitelli da. SCOPE-FL: seleção de clientes por ordem de entropia no aprendizado federado. Orientador: Iago Lins de Medeiros. 2025. 11 f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2025. Disponível em: https://bdm.ufpa.br/handle/prefix/8649. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/8649
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectSistemas de informação
dc.subjectAprendizagem de máquina
dc.subjectAprendizado federado
dc.subjectSegurança da informação
dc.subject.cnpqCNPQ::ENGENHARIAS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO
dc.titleSCOPE-FL: seleção de clientes por ordem de entropia no aprendizado federado
dc.typeTrabalho de Curso - Graduação - Artigo

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_Artigo_ScopeflSelecaoClientes.pdf
Tamanho:
1.69 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório