Estudo sobre Federated Learning : análise da literatura e realização de testes utilizando o Flower.

Abstract

Federated Learning (FL) é uma abordagem para diferentes dispositivos treinarem modelos compartilhados de forma colaborativa, sem enviar seus dados para o servidor, apenas rodando um treinamento local no próprio dispositivo, dissociando assim o aprendizado de máquina da necessidade de armazenamento desses dados em larga escala na nuvem. A princípio, o presente trabalho apresenta uma introdução sobre FL, contextualizando seu surgimento. A fim de estabelecer um embasamento teórico, vários tópicos relacionados ao assunto são discutidos, incluindo uma comparação entre Machine Learning (ML), Distributed Machine Learning e FL. Além disso, é feita uma descrição sobre a arquitetura do Flower, uma plataforma de código aberto criado para facilitar o desenvolvimento de soluções baseadas em FL. Foram conduzidos experimentos com essa ferramenta utilizando duas bases de dados, ambas contendo imagens médicas de radiografia de tórax, uma voltada para reconhecimento de COVID-19 e outra para pneumonia. Os resultados desses experimentos foram comparados com os resultados obtidos através de testes utilizando ML centralizado sob as mesmas configurações. Embora os valores de acurácia e perda tenham sido similares, observou-se que o teste FL apresentou um tempo de execução maior, o que evidenciou os custos de comunicação entre cliente e servidor. Todos os experimentos realizados foram cuidadosamente documentados, incluindo as ferramentas e tecnologias utilizadas durante o processo. A principal contribuição dessa pesquisa reside na elaboração de conteúdo introdutório sobre FL, cobrindo tanto os aspectos teóricos quanto práticos da abordagem, incluindo os procedimentos necessários para utilizar o Flower e outras atividades inerentes à ferramenta escolhida.