Dissertação
Federated Learning for Predicting the Next Node in Action Flows EVALUATED
A aprendizagem federada é uma abordagem de aprendizagem automática que permite que diversos clientes treinem um único modelo colaborativamente sem necessitarem de partilhar os seus dados. O nosso foco é na aprendizagem federada centralizada, onde um servidor centralizado coleciona as contribuições individuais dos clientes, agrega-as, e dissemina os resultados por todos os clientes. Uma vez que os clientes mantêm e classificam dados diferentes, existe um compromisso entre a generalidade do modelo obtido e a personalização das classificações. Na literatura, é possível encontrar soluções para este problema que se baseiam na divisão do modelo em duas partes: uma parte global, comum a todos os clientes, e uma parte local especializada a cada cliente, que suporta a personalização. Neste trabalho realizamos um estudo sobre o desempenho de algumas destas abordagens quando aplicadas num produto da OutSystems, onde redes neuronais para grafos são usadas para ajudar os programadores no desenvolvimento de aplicações. Para além disso, exploramos duas abordagens diferentes que combinam alguns dos algoritmos mais recentes de forma a desenvolver o melhor modelo para todos os clientes. Dos resultados obtidos, verifica-se que uma das abordagens propostas consegue atingir um desempenho semelhante aos algoritmos com melhor desempenho para todas as classes de clientes, conseguindo mesmo superar os algoritmos anteriores para algumas classes de clientes.
novembro 10, 2022, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Luís Eduardo Teixeira Rodrigues
Departamento de Engenharia Informática (DEI)
Professor Catedrático
