Análise do Aprendizado Federado em Redes Móveis

A aquisição cada vez maior de informações pessoais para personalização de serviços coloca em cheque a privacidade dos usuários. No contexto do aprendizado federado, a privacidade pode ser preservada com o compartilhamento apenas de pesos sinápticos de redes neurais entre clientes e servidores. Este trabalho avalia o impacto de diferentes parâmetros de redes de computadores no desempenho de modelos de aprendizado federado em um cenário composto por clientes móveis. Para isso, o desempenho das redes neurais convolucionais para classicação de imagens é considerado com o uso do conjunto de dados CIFAR-10. Os experimentos realizados utilizam o framework Flower para avaliar parâmetros comuns em redes móveis como latência, conectividade, volume de dados e disponibilidade dos clientes. Os resultados indicam que, além do aumento no tempo total de treinamento, um aumento no número de usuários desconectados em uma rodada de treinamento pode até mesmo reduzir o desempenho do modelo federado. Esses resultados reforçam a necessidade de orquestração cliente-servidor para adaptação dinâmica às condições de rede.