Aprendizado federado baseado em múltiplas árvores de decisão para aplicações iot com computação de borda cooperativa

Página do item simplificado
dc.contributor.advisor1RIKER, André Figueira
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2949449810540513pt_BR
dc.creatorBARBOSA, Lucas Nobre
dc.creator.Latteshttp://lattes.cnpq.br/0952140952341678pt_BR
dc.date.accessioned2025-03-12T17:40:26Z
dc.date.available2025-03-12T17:40:26Z
dc.date.issued2024
dc.description.abstractInternet of Things (IoT) have relied on edge computing nodes to de centralize computation and to bring more processing power near the IoT devi ces, such as sensors and actuators. IoT edge computing nodes have more data processing power and energy resources than regular IoT devices that aim to mo nitor and actuate on the environment. However, in general, IoT edge computing nodes are not designed for intensive Machine Learning (ML) training or to host large ML models. In the current IoT network architectures, there are multiple IoT edge computing nodes strategically located near a large number of IoT de vices, where each of the IoT edge computing node has access to part of the data produced by the whole IoT network. In this scenario, each IoT edge computing node runs lightweight ML models in its local dataset. In this paper, we propose a solution, called FEDT (FEderated Decision Tree), that aggregates the learning produced by multiple decision trees from cooperative IoT edge nodes, following the federated learning principles. We present four different federated learning strategies and demonstrate that FEDT can achieve around 80% of a centralized MLmodel in terms of Pearson correlationpt_BR
dc.description.resumoA Internet das Coisas (IoT) tem dependido de nós de computação em borda para descentralizar a computação e trazer mais poder de processamento próximo aos dispositivos IoT, como sensores e atuadores. Os nós de compu tação de borda da IoT têm mais poder de processamento de dados e recursos energéticos do que os dispositivos IoT regulares que visam monitorar e atuar no ambiente. No entanto, em geral, os nós de computação de borda não são pro jetados para treinamento intensivo de Aprendizado de Máquina (ML) ou para hospedar grandes modelos de ML. Nas arquiteturas de rede IoT atuais, existem múltiplos nós de computação de borda estrategicamente localizados perto de um grande número de dispositivos, onde cada um dos nós de computação de borda tem acesso a parte dos dados produzidos por toda a rede IoT. Neste cená rio, cada nó de computação de borda executa modelos de ML leves em seu con junto de dados local. Neste artigo, propomos uma solução, chamada FEderated Decison Tree (FEDT), Árvore de Decisão Federada, que agrega o aprendizado produzido por múltiplas árvores de decisão de nós de borda cooperativos, se guindo os princípios de aprendizado federado. Apresentamos quatro estratégias de aprendizado federado diferentes e demonstramos que o FEDT pode alcançar cerca de 80% de um modelo de ML centralizado em termos de correlação de Pearson.pt_BR
dc.identifier.citationBARBOSA, Lucas Nobre. Aprendizado federado baseado em múltiplas árvores de decisão para aplicações iot com computação de borda cooperativa. Orientador: André Figueira Riker. 2024. 15 f. Trabalho de Curso (Bacharelado em Ciência da Computação) – Faculdade de Computação, Instituto de Ciências Exatas e Naturais, Universidade Federal do Pará, Belém, 2024 Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7836. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/7836
dc.rightsAcesso Abertopt_BR
dc.sourcePDFpt_BR
dc.subjectComputação de bordapt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectAprendizado federadopt_BR
dc.subjectPreservação da privacidade de dadospt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleAprendizado federado baseado em múltiplas árvores de decisão para aplicações iot com computação de borda cooperativapt_BR
dc.typeTrabalho de Curso - Graduação - Monografiapt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_AprendizadoFederadoMultiplas.pdf
Tamanho:
543.7 KB
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 Computação - FACOMP/ICEN
Logo do RepositórioLogo do Repositório