Defesa de Proposta de Dissertação: Claro Henrique Silva Sales
Data da publicação: 18 de fevereiro de 2025 Categoria: Notícias
Título: Avaliação do impacto da quantização na acurácia e eficiência computacional do aprendizado dividido federado
Data: 18/02/2025
Horário: 16h
Local: Sala de Seminários – Bloco 952
Resumo:
Modelos de aprendizado profundo têm se destacado como soluções no estado da arte em problemas de diversas áreas da ciência. No entanto, o treino dessas soluções frequentemente exige um grande volume de dados, o que incentivou o desenvolvimento de técnicas de aprendizagem colaborativa, onde diferentes entidades se unem para compartilhar seus dados entre si, com o propósito de treinar um modelo robusto. O presente trabalho aborda uma dessas técnicas, o Aprendizado Dividido Federado (ADF), que permite que diferentes entidades contribuam para a construção de modelos globais sem compartilhar diretamente seus dados, preservando a privacidade. Além de manter a privacidade dos dados, uma outra vantagem do ADF consiste em distribuir parte do modelo entre cliente e servidor, aliviando a carga computacional dos dispositivos do colaborador. Apesar dessas vantagens, otimizar o uso de recursos do modelo no lado do cliente ainda é um desafio, especialmente em ambientes com tais recursos limitados, como IoT e dispositivos móveis. Este trabalho propõe uma análise de desempenho sobre o uso de quantização, uma técnica que reduz a precisão numérica dos parâmetros e ativações de redes neurais, para reduzir custos computacionais associados ao modelo do cliente em soluções de ADF. Propomos a quantização do modelo do cliente e, dessa forma, reduzir custos à operação de inferência no lado do cliente. É proposta a execução de experimentos conduzidos em um ambiente simulado na nuvem, utilizando modelos como VGG16, ResNet34 e MobileNetV2 e conjuntos de dados CIFAR-10 e Chest-X-Ray-Images. A versão quantizada do modelo do cliente será comparada com a versão original do modelo com precisão completa em termos de tempo de inferência, consumo de memória, largura de banda e acurácia.
Banca examinadora:
- Prof. Dr. Francisco Heron de Carvalho Junior (MDCC/UFC) – Orientador
- Prof. Dr. César Lincoln Cavalcante Mattos (MDCC/UFC)
- Prof. Dr. Allberson Bruno de Oliveira Dantas (UNILAB)
