Middleware baseado em aprendizado federado para aplicações de Smart Campus

Abstract

O crescente volume de dados em ambientes inteligentes apresenta uma oportunidade para utilizar o aprendizado de máquina para aprimorar a tomada de decisão e eficiência. No entanto, os métodos tradicionais de aprendizado de máquina enfrentam dificuldades com dados distribuídos, como também preocupações com a privacidade dos dados. O aprendizado federado (AF) oferece uma solução promissora, possibilitando aprendizado colaborativo distribuído sem comprometer a privacidade. Esta dissertação propõe o SFMEI (Smart Federated Middleware for Educational Institutions, um middleware projetado para intermediar o AF em aplicações de campus inteligente. O SFMEI apresenta vantagens para aplicações de campus inteligente, permitindo colaboração segura e com preservação de privacidade entre dispositivos e instituições, facilitando o desenvolvimento de modelos de aprendizado de máquina escaláveis, promovendo a integração de soluções de campus inteligente. O SFMEI adota uma arquitetura que permite a integração de vários algoritmos de aprendizado de máquina e modelos de dados distribuídos. Ele fornece uma API pública para simplificar a integração com soluções de campus inteligente e garantir colaboração segura e privacidade de dados entre os nós participantes. Os resultados experimentais demonstram a viabilidade do SFMEI em preservar o desempenho preditivo ao mesmo tempo em que aborda as questões de privacidade de dados. Para avaliar a eficácia do SFMEI, foi realizada uma avaliação experimental utilizando um modelo LSTM para revisão de séries temporais de dados de CO2, Temperatura, Consumo de Energia e Consumo de Água. Os resultados demonstraram que o SFMEI não perde eficiência em comparação com uma abordagem de aprendizado de máquina não federada, atingindo um escore R2 de 0.9898, contra 0.9895 da abordagem não federada. Também foi realizada uma avaliação para comparar algoritmos de agregação de AF, FedAVG e FedSGD, revelando que o FedSGD superou o FedAVG. Com o algoritmo FedAVG, cerca de ±35% dos modelos gerados foram classificados como “suficientes” (R2 > 0.75), em comparação com ±47%, utilizando algoritmo FedSGD. O SFMEI com o FedSGD atingiu um mediana do escore R2 de 0.8639, em comparação com 0.8466 com o FedAVG. Um cenário simulado onde os clientes X, Y, Z consomem um modelo pré-treinado também apresenta resultados satisfatórios. Um modelo pré-treinado no SFMEI foi utilizado por três clientes hipotéticos, que não participaram do AF, resultando em um escore R2 de 0.762735 para o cliente X, 0.644880 para o cliente Y e 0.763156 para o cliente Z.