Aprendizado federado e o impacto de clientes na rede.

Abstract

Este trabalho apresenta um estudo de como o aprendizado federado se comporta quando se utilizam amostragem de tamanhos diferentes ao realizar o treinamento distribuído de um modelo de redes neurais profundas (DNN) usando a técnica de agregação dos pesos "Federated averaging"(FedAvg). Utilizamos o modelo de rede neural profunda MobileNetV2 presente no framework Tensorflow 2.x. O treinamento federado foi implementado com o framework Flower 1.0 utilizando a base de dados de imagens CIFAR10. Os resultados apresentam que em um pequeno conjunto de clientes a variação de amostra de clientes nos passos de treinamento e predição impacta mais no tempo de processamento e em alguns casos, na qualidade do modelo. Entretanto, o caso base executado localmente apresentou melhores resultados em todas as métricas utilizadas por conta da quantidade de dados disponível em comparação com a configuração do aprendizado federado.