Use este identificador para citar ou linkar para este item: https://repositorio.ufpa.br/jspui/handle/2011/16769
Tipo: Dissertação
Data do documento: 13-Ago-2024
Autor(es): SOUSA, John Lucas Rodrigues Portilho de
Primeiro(a) Orientador(a): CERQUEIRA, Eduardo Coelho
Primeiro(a) coorientador(a): ROSÁRIO, Denis Lima do
Título: Entropy-based client selection strategy for federated learning over vehicular network environment
Título(s) alternativo(s): Estratégia de seleção de clientes baseada em entropia para aprendizado federado em ambientes de redes veiculares
Citar como: SOUSA, John Lucas Rodrigues Portilho de. Entropy-based client selection strategy for federated learning over vehicular network environment. Orientador: Eduardo Coelho Cerqueira. 2024. 58 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16769. Acesso em:.
Resumo: 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.
Abstract: Federated Learning (FL) emerges as a promising solution to enable collaborative model training for autonomous vehicles while preserving privacy and addressing communication overhead issues. Efficient client selection for participation in the training process remains challenging, especially in scenarios with statistical heterogeneity of data distribution and client failure events. Client failure, an uncontrollable event during training, reduces accuracy, convergence, and speed. This master thesis introduces an entropy-based client selection mechanisms for FL over Vehicular Network environments with client failure and non-IID data distributions. The proposed method is compared to a random selection mechanism in both IID and non-IID scenarios, as well as scenarios with random client drops. The results demonstrate that entropy-based selection outperforms other methods regarding training loss, accuracy, and Area Under the Curve (AUC), particularly in high client dropout and non-IID scenarios. These findings highlight the importance of considering entropy data for client selection to address the challenges posed by client failure and statistical heterogeneity in FL over Vehicular Network.
Palavras-chave: Aprendizado federado
Redes Veiculares
Veículos conectados e autonomos
Seleção de clientes
Entropia
Falhas de clientes
Federated learning; ; ; ; ;
Client selection
Vehicular networks
Connected and autonomous vehicles
Entropy
Client failures
Área de Concentração: COMPUTAÇÃO APLICADA
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
País: Brasil
Instituição: Universidade Federal do Pará
Sigla da Instituição: UFPA
Instituto: Instituto de Tecnologia
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Fonte URI: Disponível na intrnet via correio eletrônico: bibliotecaitec@ufpa.br
Aparece nas coleções:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_EntropyBasedClient.pdf3,11 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons