Percorrer por autor "Ribeiro, Bruno Rafael Gonçalves"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Aprendizagem federada para comunidades de agentes que permita a mobilidade dinâmica em ambientes de proteção de privacidadePublication . Ribeiro, Bruno Rafael Gonçalves; Gomes, Luís Filipe de OliveiraA privacidade e a segurança dos dados têm sido uma das principais preocupações dos utilizadores da Internet nos últimos anos. Com o aumento do uso de inteligência artificial e dos dados existentes na Internet, os utilizadores começaram a ficar preocupados com a forma como as empresas utilizavam os seus dados. Com isto, vários países começaram a desenvolver os seus próprios regulamentos de proteção de dados. Para cumprir estes regulamentos e continuar a oferecer serviços baseados na inteligência artificial, as empresas e os investigadores criaram uma técnica chamada aprendizagem federada. A aprendizagem federada distingue-se da aprendizagem automática tradicional ao deslocar o processo de treino do servidor central para os clientes. Os clientes treinam o modelo com os seus dados locais e, em seguida, o modelo é enviado de volta para o servidor, onde os agregará num único modelo. Esta abordagem ajuda a distribuir o poder computacional e a evitar a exposição dos dados dos clientes. No entanto, há problemas ainda inexplorados pela comunidade de investigação, que dizem respeito ao lado dinâmico da aprendizagem federada. A investigação atual parte do princípio de que os clientes estão fixos numa federação durante toda a execução, que os seus dados não mudam ao longo do tempo e que não existem outras opções para além da federação em que se encontram a treinar. Os sistemas multiagentes, por outro lado, são um conceito que se baseia fundamentalmente em ambientes dinâmicos e que mudam com o tempo. Estes sistemas são utilizados para conceber e simular cenários realistas, incorporando características humanas, como a inteligência, a proatividade e a adaptabilidade, em entidades chamadas agentes. A sua capacidade adaptativa e comportamental que os permite seguir um objetivo pré-estabelecido faz com que se torne relevante para a aprendizagem federada, no sentido em que os clientes podem ver o seu ambiente a ser alterado, como os seus objetivos iniciais, a distribuição e a quantidade dos seus dados, entre outros. Esta abordagem de treino colaborativo com as capacidades adaptativas e dinâmicas dos agentes pode contribuir para tornar os sistemas de aprendizagem federados mais robustos e realistas. Esta dissertação tem como objetivo combinar ambos os conceitos através de uma ferramenta de desenvolvimento dedicada, validando a sua eficácia num cenário em que os clientes podem escolher qual o melhor modelo de federação a utilizar. A framework proposta chama-se PEAK FL e permite a criação de sistemas de aprendizagem federados baseados em agentes. Esta solução visa ajudar os utilizadores a concetualizar, a construir e a analisar as vantagens e desvantagens que este tipo de sistemas apresentam. Foram realizados vários casos de estudos para validar as suas várias componentes e os resultados mostram que, quando corretamente aplicada, esta combinação pode melhorar os resultados.