Tecnologías Específicas

Ingeniería de Computadores

Descripcion y Objetivos

El aprendizaje federado (FL, por sus siglas en inglés) ha surgido como una avance significativo en el campo de inteligencia artificial, permitiendo realizar un modelo de entrenamiento colaborativo a traves de dispositivos distribuidos y manteniendo la privacidad de los datos. 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. 

Las características de los dispositivos IoT, tales como su capacidad computacional, de comunicación o su disponibilidad, son factores importantes a tener en cuenta en el proceso del aprendizaje federado. Así, este Trabajo Fin de Grado (TFG) se centra en estudiar el comportamiento del aprendizaje federado en el contexto de IoT. Para ello, se desplegará  un entorno de aprendizaje federado en un testbed heterogéneo con dispositivos reales de bajo costes y sobre él se implementarán distintos algoritmos de agregación. Este entorno permitirá explorar el comportamiento, en cuanto a precisión y pérdidas, de los algoritmos en un contexto IoT con dispositivos con disponibilidad variable y distintas capacidades de comunicación y computación. 

Objetivos específicos: 

• Estudio del concepto de aprendizaje federado 
• Estudio de una arquitectura de referencia para IoT, basada en dispositivos de bajo coste 
• Despliegue de un entorno de aprendizaje federado sobre un testbed de Raspberry Pis. 
• Implementación de distintas algoritmos de agregación. 
• Evaluación de la precisión los algoritmos implementados y uso de recursos del testbed IoT, empleando dispositivos con distinta disponibilidad. 

 

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  

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Parcollet, T., de Gusmao, P. P. B., and Lane, N. D. Flower: A friendly federated learning framework. arXiv preprint https://arxiv.org/abs/2007.14390, 2021. 

Sharma, M., Kaur, P. Reliable federated learning in a cloud-fog-IoT environment. J Supercomput 79, 15435–15458 (2023). https://doi.org/10.1007/s11227-023-05252-w 

Víctor Hidalgo, Despliegue de Herramientas de Aprendizaje Federado sobre un Entorno Fog de Bajo Coste, Trabajo Fin de Máster, Máster Universitario de Ingeniería Informática, Universidad de Castilla-La Mancha, Julio 2024.