Entropy-based client selection strategy for federated learning over vehicular network environment

Aprendizado Federado (FL) surge como uma soluçao promissora para possibilitar o treinamento colaborativo de modelos para veículos autônomos, preservando a privacidade e abordando questões de sobrecarga de comunicaçao. A seleçao eficiente de clientes para participar do processo de treinamento permanece desafiadora, especialmente em cenários com heterogeneidade estatística da distribuição de dados e eventos de falha de clientes. A falha de clientes, um evento incontrolável durante o treinamento, reduz a precisão, a convergência e a velocidade. Esta dissertação de mestrado introduz mecanismos de seleção de clientes baseados em entropia para FL em ambientes de Redes Veiculares com falha de clientes e distribuições de dados não-IID. O método proposto é comparado a um mecanismo de seleção aleatória em cenários tanto IID quanto não-IID, bem como em cenários com quedas aleatórias de clientes. Os resultados demonstram que a seleção baseada em entropia supera outros métodos em relação à perda de treinamento, precisão e Area Sob a Curva ROC, especialmente em cenários com alta taxa de desistência de ´ clientes e dados não-IID. Esses achados destacam a importância de considerar dados de entropia para a seleção de clientes para abordar os desafios impostos pela falha de clientes e pela heterogeneidade estatística no FL sobre Redes Veiculares.