Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/52290
Title: Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras
Other Titles: Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions
Authors: Souza, Gabriel Araújo de
Advisor: Cacho, Nélio Alessandro Azevedo
Keywords: Computação;Federated learning;Brazilian Public Institutions;Convergence Algorithms
Issue Date: 20-Dec-2022
Publisher: Universidade Federal do Rio Grande do Norte
Citation: SOUZA, Gabriel Araújo de. Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions. Orientador: Nélio Alessandro Azevedo Cacho. 2022. 175f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022.
Portuguese Abstract: O uso de modelos de inteligência artificial tem se tornado frequente em diversas áreas do conhecimento para resolver diferentes problemas eficientemente. Diante disso, diversas Instituições Públicas Brasileiras têm investido em soluções de IA para melhorar a qualidade e otimizar seus serviços. Contudo, essas instituições, principalmente as de segurança, utilizam dados muito sensíveis nessas soluções. Dessa forma, seu uso acaba sendo muito burocrático. Além disso, cada instituição explora um cenário limitado de exemplos que torna os modelos de IA enviesados. O compartilhamento de dados entre instituições poderia proporcionar a criação de datasets mais generalistas com uma melhor capacidade de criar modelos mais robustos. No entanto, devido a natureza dos dados, esse tipo de ação é em muitos casos inviável. Aprendizado federado tem ganhado espaço na literatura recente como uma forma de possibilitar o compartilhamento de modelos de IA de forma segura. Nessa técnica é possível tranferir o conhecimento de vários modelos para criar uma versão aprimorada deles. Diante disso, este trabalho propõe o uso do aprendizado federado para criar um ambiente seguro para o compartilhamento de modelos de IA entre as Intituições Públicas Brasileiras. Neste trabalho, foi experimentado cinco diferentes algoritmos de aprendizado federado, com três diferentes algoritmos de aprendizado de máquina. Os experimentos executados constataram que FedAvg, FedAdam e FedYogi juntamente com os algoritmos VGG16 e EfficientNet conseguem atingir performace satisfatória no treinamento de classificadores para Instituições Públicas Brasileiras. Foi possível verificar que esse resultado se mantém em cenários com datasets desbalanceado ou balanceado, e com muito ou pouco clientes.
Abstract: Artificial intelligence models have become frequent in several areas of knowledge to resolve different problems efficiently. Due to this, many Brazilian Public Institutions have invested in AI solutions to improve and optimize their services. However, these institutions, mainly public safety organizations, use sensitive privacy data in their solutions. Thus, the use of this data is bureaucratic. Furthermore, each institution explores a simple scenario that makes the AI models biased. The data sharing between institutions could create general datasets with a better capacity to create more robust models. However, due to the nature of the data, this type of action is often unfeasible. Federated learning has gained space in the recent literature to enable the sharing of AI models safely. With this technique, it is possible to transfer knowledge from various models to create an improved version of them. Based on that, this work proposes using federated learning to create a safe environment for sharing AI models among Brazilian Public Institutions. In this work, five different federated learning algorithms have been experimented with three different machine learning algorithms. The experiments found that FedAvg, FedAdam, and FedYogi, together with the VGG16 and EfficientNet algorithms, achieve satisfactory performance in training classifiers in the context of Brazilian Public Institutions. Verifying that this result is maintained in scenarios with unbalanced or balanced datasets and many or few clients was possible.
URI: https://repositorio.ufrn.br/handle/123456789/52290
Appears in Collections:PPGSC - Mestrado em Sistemas e Computação

Files in This Item:
File SizeFormat 
Usandotecnicasfederated_Souza_2022.pdf1,61 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.