Titulo Estágio
Melhorar Alocação de Recursos em Federated Learning
Local do Estágio
DEI-FCTUC
Enquadramento
Em diversos cenários, não é vantajoso usar técnicas de machine learning comuns, seja devido a falta de recursos computacionais ou por não ser possível migrar os dados do servidor devido a privacidade. Um desses exemplos é na área da saúde, onde existem vários hospitais que têm intenção de ter um conjunto de modelos para prever diferentes tipos de doenças, mas não podem partilhar os dados dos pacientes entre eles.
Para resolver esses problemas, federated learning foi proposto com o intuito de descentralizar os modelos de machine learning de forma a melhorar incrementalmente os modelos e sem envio de informação sensível. Existe um conjunto de entidades que comunicam com um servidor central e enviam os modelos treinados com a informação existente no local, para tentar convergir para um modelo global.
Um dos aspetos relevantes em federated learning é a decisão de quais entidades devem ser usadas para treinar os modelos. Estas entidades estão espalhadas por diversas zonas/países e podem ter diferentes tempos de comunicação, restrições de recursos e até limites na capacidade computacional. Desse modo, é necessário decidir de forma eficiente que ligações serão usadas e analisar o impacto da escolha de entidades na performance total de treino dos modelos.
Esta dissertação irá focar-se na análise e desenvolvimento de algoritmos para decidir rotas de comunicação e escolha de entidades em federated learning, de forma a analisar o impacto dessas decisões em diferentes modelos.
Objetivo
O objetivo deste trabalho é desenvolver um (ou mais) algoritmos de decisão de rotas e escolha de entidades para analisar o impacto na performance de diferentes modelos de federated learning, com diferentes métricas a otimizar. Para validar a implementação, o(a) aluno(a) irá implementar um cenário descentralizado com um conjunto de entidades e irá avaliar o impacto de diferentes modelos e tomadas de decisão sobre a comunicação e escolha de entidades.
Plano de Trabalhos - Semestre 1
- Análise do estado da arte de federated learning
- Preparação do cenário de federated learning
- Definição de métricas a analisar
- Definição da testbed
- Escrita do relatório intermédio
Plano de Trabalhos - Semestre 2
- Implementação da testbed
- Implementação dos modelos
- Implementação de algoritmos de decisão de entidades
- Prova de conceito
- Escrita do relatório final
Condições
Este trabalho será realizado nos laboratórios do grupo NCS do CISUC. Serão fornecidos os recursos computacionais necessários para a realização do mesmo.
Observações
Orientadores: Noé Godinho (noe@dei.uc.pt) e João R. Campos (jrcampos@dei.uc.pt)
Orientador
Noé Godinho / João R. Campos
noe@dei.uc.pt 📩