Tecnologías Específicas

Ingeniería de Computadores

Descripcion y Objetivos

El aprendizaje federado es una tecnología emergente que descentraliza el procesamiento de datos y utiliza dispositivos locales para compartir modelos de aprendizaje automático actualizados. En el contexto de Internet de las Cosas (IoT, por sus siglas en inglés), donde se generan multitud de datos susceptibles de participar en procesos de entrenamiento en el borde de la red, esta estrategia presenta ventajas significativas, en términos de eficiencia en el uso de recursos de red y, sobre todo, en relación con la privacidad de los datos. 

Existen diversos entornos y herramientas que posibilitan trasladar modelos de aprendizaje automático o profundo a un paradigma de aprendizaje federado. El objetivo de este trabajo es realizar un estudio sobre los diversos entornos de aprendizaje federado existentes, haciendo hincapié en su aplicabilidad en un contexto de IoT con dispositivos de bajo coste y recursos restringidos (por ejemplo, Raspberry Pis). 

Objetivos específicos: 

• Estudio del concepto de Aprendizaje Federado 

• Estudio de una arquitectura de referencia para IoT, basada en dispositivos de bajo coste 

• Análisis cualitativo de los entornos de Aprendizaje Federado disponibles 

• Selección de los entornos más significativos, y despliegue y evaluación sobre un prototipo de despliegue IoT 

 

Metodología y Competencias

Se aplicará una metodología ágil, a través de reuniones periódicas de seguimiento con los tutores. 

Las competencias de Ingeniería de Computadores que se aplicarán son: 

• Capacidad de analizar y evaluar arquitecturas de computadores, incluyendo plataformas paralelas y distribuidas, así como desarrollar y optimizar software para las mismas. 

• Capacidad para analizar, evaluar, seleccionar y configurar plataformas hardware para el desarrollo y ejecución de aplicaciones y servicios informáticos. 

• Capacidad para diseñar, desplegar, administrar y gestionar redes de computadores. 

 

Medios a utilizar

Todo el trabajo se desarrolla con software libre. 

En cuanto al hardware, se emplearán PCs, Rasperry Pis, y equipamiento similar disponible en el I3A. 

 

Bibliografía

• Brendan McMahan and Daniel Ramage, "Federated Learning: Collaborative Machine Learning without Centralized Training Data", 2017, disponible en https://blog.research.google/2017/04/federated-learning-collaborative.html  

• Riyas Hamsath Mohammed Khan, "A  Comprehensive  study  on  Federated  Learning  frameworks", Master's thesis, University of Skovde (Suecia), 2023. Disponible en: https://www.diva-portal.org/smash/get/diva2:1799438/FULLTEXT01.pdf. 

• Kholod I, Yanaki E, Fomichev D, Shalugin E, Novikova E, Filippov E, Nordlund M. Open-Source Federated Learning Frameworks for IoT: A Comparative Review and Analysis. Sensors. 2021; 21(1):167. https://doi.org/10.3390/s21010167