Exploring Challenges and Opportunities in Federated Learning: Emulation Framework and Privacy-Enhancing Techniques
Nome: EDUARDO MONTAGNER DE MORAES SARMENTO
Data de publicação: 30/10/2024
Banca:
Nome |
Papel |
|---|---|
| LUIZ FERNANDO BITTENCOURT | Examinador Externo |
| MAGNOS MARTINELLO | Examinador Interno |
| RODOLFO DA SILVA VILLACA | Presidente |
| VINICIUS FERNANDES SOARES MOTA | Coorientador |
Resumo: O aprendizado federado apresenta uma abordagem promissora para o aprendizado de
máquina distribuído, particularmente em ambientes sensíveis à privacidade e com restrições
de recursos. No entanto, desafios relacionados à heterogeneidade dos clientes, limitações
computacionais e privacidade dos dados permanecem barreiras significativas para sua
adoção em larga escala. Esta dissertação investiga esses desafios ao desenvolver uma
estrutura de emulação, MininetFed, baseada na comunicação por troca de mensagens
assíncronas para modelar diversas condições de rede em ambientes de aprendizado federado,
facilitando o processo de desenvolvimento e experimentação de soluções de aprendizado
federado.
Além disso, exploramos técnicas de aprimoramento de privacidade desenvolvendo o al-
goritmo CKKSFED, que utiliza Criptografia Homomórfica Total (Fully Homomorphic
Encryption) para agrupar clientes seguramente no processo de aprendizado federado. Outra
técnica de aprimoramento de privacidade que também exploramos foi a Privacidade Difer-
encial com o algoritmo FedSketch, implementado com estruturas de dados probabilísticas
para melhorar a segurança na transferência de atualizações de modelo entre os clientes
e o servidor de agregação, além de melhorar a eficiência da comunicação pelo mérito de
comprimir essas atualizações em sketches.
Resultados experimentais demonstram que os métodos propostos, aumentam a segurança
e melhoram a eficiência computacional do aprendizado federado, incluindo cenários en-
volvendo dispositivos de baixo consumo e dados de séries temporais, mantendo acurácias
similares aos métodos clássicos da literatura. Os resultados destacam oportunidades para
melhorar tanto as garantias de privacidade quanto a escalabilidade dos sistemas de apren-
dizado federado, oferecendo uma base para futuros desenvolvimentos em aprendizado
descentralizado seguro e eficiente.
