Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 693
Aluna: Leylane Graziele Ferreira da Silva
Orientador: Prof. Djamel Fawzi Hadj Sadok
Coorientadora: Profa. Patricia Takako Endo (UPE / Campus Caruaru)
Título: A privacy-preserving approach for Industry 4.0 with focus on health
and safety management
Data: 24/02/2026
Hora/Local: 14 h –Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Nelson Souto Rosa( UFPE / Centro de Informática )
Prof. Daniel Carvalho da Cunha (UFPE / Centro de Informática )
Prof. Cleber Zanchettin (UFPE / Centro de Informática )
Prof. Ivanovitch Medeiros Dantas da Silva (UFRN / Departamento de Engenharia
de Computação e Automação)
Prof. Edmundo Roberto Mauro Madeira (UNICAMP / Instituto de Computação )
RESUMO:
Recentemente, Federated Learning (FL) vem sendo explorado como um novo
paradigma para preservar a privacidade dos dados dos usuários finais,
reduzindo a latência durante o treinamento do modelo. Comumente localizado
entre um servidor central e os dispositivos de ponta, FL lida com uma ampla
variedade de aplicativos e dispositivos de usuários finais. Dada a
popularidade atual de Internet of Things (IoT), sua relevância e
aplicabilidade em vários novos domínios, novos desafios surgem ao combinar
IoT com o modelo clássico de FL. Os recursos limitados dos dispositivos IoT
requerem uma adaptação cuidadosa na forma como FL deve ser estruturado
neste cenário. Além disso, como FL é um paradigma distribuído que
compartilha artefatos de deep learning por meio de uma rede, também existem
problemas de comunicação de IoT que precisam ser levados em consideração.
Assim, é necessário otimizar o uso de recursos de processamento e
comunicação ao considerar o uso de dispositivos de ponta IoT como parte de
um rede FL. O presente trabalho propõe um framework de FL para seleção de
clientes, treinamento e alocação de recursos. Considerando os desafios
propostos pela heterogeneidade dos dados, o framework proposto também
propõe estratégias para lidar com data drift. Uma série de experimentos
foram conduzidos de modo a comparar o framework proposto com algoritmos de
referência, considerando dois principais casos de uso. Os experimentos
conduzidos demonstraram que o framework proposto superou os algoritmos de
referência em vários cenários, inclusive em cenários mais desafiadores como
de alta heterogeneidade.
Palavras-chave: Federated Learning; IIoT; Otimização de recursos; Data
drift.
Comentários desativados