A carregar...
Publicação
Aprendizagem Federada em IoT: Capacitação de Dispositivos para Aquisição e Processamento de Dados
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 5.93 MB | Adobe PDF |
Orientador(es)
Resumo(s)
O Federated Learning (FL) surge como uma abordagem inovadora na área de
Machine Learning, motivada pela necessidade crescente de processamento de dados mais próximo dos
dispositivos. Esta técnica oferece várias vantagens teóricas, principalmente em termos de segurança e privacidade dos dados. A principal motivação para o uso do FL é a capacidade de treinar modelos de aprendizagem de máquina sem a necessidade de centralizar dados sensíveis. Isto é particularmente relevante em cenários onde a privacidade é crucial, como em ambientes de escritórios.
Nesta dissertação, serão abordados diversos aspetos do FL, incluindo os seus benefícios,
desafios, bem como a sua taxonomia. O caso de estudo foca-se na previsão da qualidade do
ambiente em escritórios, considerando fatores como temperatura, iluminância, qualidade do
ar, humidade e ruído. A implementação do FL será desenvolvida utilizando dispositivos
edge, e testada através de vários modelos de Deep Learning e regressão.
Os resultados demonstraram que modelos como xGBoost e Gradient Boosting apresen-
taram previsões consistentes para uma amostragem de 1 minuto, enquanto os modelos RNN
e GRU foram eficazes para amostragens maiores, principalmente na de 10 minutos. Apesar de
desafios como a descalibração do sensor da qualidade do ar e dados não estacionários, o FL
revelou-se promissor para melhorar as condições de trabalho em edifícios de escritórios.
Implementações futuras podem considerar a integração do FL com sistemas de automação predial, como HVAC, permitindo ajustes em tempo real, expandindo assim a aplicação prática desta tecnologia.
Federated Learning (FL) emerges as an innovative approach in the field of Machine Learning, driven by the growing need for data processing closer to the devices. This technique offers several theoretical advantages, primarily in terms of data security and privacy. The main motivation for using FL lies in its ability to train machine learning models without centralizing sensitive data. This is particularly relevant in scenarios where privacy is crucial, such as in office environments. This dissertation addresses various aspects of FL, including its benefits, challenges, and taxonomy. The case study focuses on predicting office environmental quality, considering fac- tors such as temperature, illuminance, air quality, humidity, and noise. The FL implementa- tion is developed using edge devices and tested with various Deep Learning and regression models. The results showed that models such as xGBoost and Gradient Boosting provided con- sistent predictions for a sampling rate of 1 minute, while RNN and GRU models were effective for larger sampling intervals, particularly at 10 minutes. Despite challenges such as air quality sensor miscalibration and non-stationary data, FL proved promising for improving working conditions in office buildings. Future implementations may explore the integration of FL with building automation systems, such as HVAC, enabling real-time adjustments and thereby expanding the practical application of this technology.
Federated Learning (FL) emerges as an innovative approach in the field of Machine Learning, driven by the growing need for data processing closer to the devices. This technique offers several theoretical advantages, primarily in terms of data security and privacy. The main motivation for using FL lies in its ability to train machine learning models without centralizing sensitive data. This is particularly relevant in scenarios where privacy is crucial, such as in office environments. This dissertation addresses various aspects of FL, including its benefits, challenges, and taxonomy. The case study focuses on predicting office environmental quality, considering fac- tors such as temperature, illuminance, air quality, humidity, and noise. The FL implementa- tion is developed using edge devices and tested with various Deep Learning and regression models. The results showed that models such as xGBoost and Gradient Boosting provided con- sistent predictions for a sampling rate of 1 minute, while RNN and GRU models were effective for larger sampling intervals, particularly at 10 minutes. Despite challenges such as air quality sensor miscalibration and non-stationary data, FL proved promising for improving working conditions in office buildings. Future implementations may explore the integration of FL with building automation systems, such as HVAC, enabling real-time adjustments and thereby expanding the practical application of this technology.
Descrição
Palavras-chave
Federated Learning Machine Learning IoT edge devices