Linha de pesquisa: Ciência de Dados

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 Aprendizado 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 colaborativo, 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 computacional 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. 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 proporciona ganhos permite selecionar diferentes quantidades de clientes independente da heterogeneidade dos dados, mantendo os dados seguros e respeitando as restrições de privacidade inerentes ao domínio médico

Link para a defesa: https://meet.google.com/jtv-hiiu-gdr