Publicação: Estratégia de seleção de clientes no aprendizado federado para a classificação de imagens médicas com otimização por enxame de partículas
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
Este trabalho propõe uma abordagem baseada em Aprendizado Federado para a avaliação da
qualidade de imagens biomédicas, preservando a privacidade dos dados sensíveis dos pacientes.
Diferente de métodos tradicionais que centralizam os dados em um único servidor, o Aprendi-
zado Federado permite que o treinamento do modelo ocorra de forma descentralizada, com os
dados permanecendo localmente nos dispositivos das instituições participantes. Apesar de seus
benefícios de privacidade, o Aprendizado Federado enfrenta a heterogeneidade dos dados e a
participação ineficiente dos clientes. A fim de otimizar a eficiência do treinamento colabora-
tivo, e de superar desafios referentes à heterogeneidade dos dados, é incorporado ao sistema
um mecanismo de seleção de clientes baseado em Otimização por Enxame de Partículas (PSO),
que considera critérios como a qualidade dos dados, diversidade amostral e capacidade compu-
tacional dos clientes. Essa estratégia visa melhorar a performance global do modelo ao mesmo
tempo em que reduz custos de comunicação e evita o uso ineficiente de recursos. Além disso,
supera desafios relacionados à seleção aleatória de clientes realizada com FedAvg, que pode
se tornar um problema intratável na análise combinatória para obtenção dos melhores clientes.
Os experimentos foram conduzidos com conjuntos de dados públicos de doenças, avaliando a
robustez do modelo em ambientes heterogêneos. Os resultados demonstram que a combinação
entre Aprendizado Federado e PSO permite selecionar diferentes quantidades de clientes inde-
pendente da heterogeneidade dos dados, mantendo os dados seguros e respeitando as restrições
de privacidade inerentes ao domínio médico. Dessa forma, o presente trabalho obteve como um
dos principais ganhos 99,84% de acurácia com esta proposta.
Abstract
This work introduces a Federated Learning approach to assess the quality of biomedical
images while protecting sensitive patient data. Unlike traditional methods that centralize data
on a single server, Federated Learning trains models in a decentralized way, keeping data on
the local devices of participating institutions. While Federated Learning offers privacy benefits,
it struggles with data heterogeneity and inefficient client participation. To address this and im-
prove the efficiency of collaborative training under heterogeneous data, the system integrates a
client selection mechanism based on Particle Swarm Optimization (PSO), using factors such as
data quality, sample diversity, and computational capacity. This strategy aims to boost overall
model performance, reduce communication overhead, and avoid wasting resources. In addi-
tion, the proposed method overcomes limitations of random client selection as used in FedAvg,
which can become combinatorially intractable when searching for the best subset of clients.
Experiments conducted on public disease datasets evaluate model robustness in heterogeneous
environments. Results indicate that combining Federated Learning with PSO enables adaptive
client selection across varying data heterogeneity levels while maintaining data security and
complying with inherent medical domain privacy constraints, achieving up to 99.84% accuracy
as one of the main performance gains of this work.
Palavras-chave
Aprendizado Federado, Federated Learning, Seleção de Clientes, Otimização por Enxame de Par- tículas (Particle Swarm Optimization - PSO), FedAvg, Preservação de Privacidade em Aprendizado de Máquina, Client Selection, Particle Swarm Optimization, Privacy-Preserving Machine Learning
Citação
RODRIGUES, Leonardo Gabriel Ferreira, Estratégia de seleção de clientes no aprendizado federado para a classificação de imagens médicas com otimização por enxame de partículas. 2025. 64 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.680.