Algoritmo de Averaging Federado
O Média Federada Algorithm (FedAvg) is a de aprendizado de máquina designed to enable the training of models across multiple decentralized devices or servers, while ensuring that sensitive data remains on the local devices. This is particularly useful in situations where privacidade de dados é fundamental, como em aplicações de saúde ou dispositivos pessoais.
In traditional machine learning, data is collected and centralized on a single server for treinamento de modelos. However, this approach can raise privacy concerns and is often impractical due to data ownership issues. FedAvg addresses these challenges by allowing devices to collaboratively learn a shared prediction model while keeping their own data local.
O algoritmo opera em algumas etapas principais:
- Inicialização do Modelo: Um modelo global é iniciado em um servidor ou dispositivo central.
- Treinamento Local: Each participating device downloads the current global model and trains it on its local data for a set number of epochs. During this phase, only model weights (the parameters dos parâmetros do modelo) são atualizados, não os dados brutos em si.
- Peso Agregação: After local training, each device sends its updated model weights back to the central server. The server then aggregates these weights, typically by averaging them, to form a new global model.
- Iteração: This process is repeated for multiple rounds, with devices continually refining the model using their local data.
Esse método não apenas melhora a privacidade dos dados, mas também reduz a necessidade de transferências de dados em grande escala, tornando-o mais eficiente e escalável. No geral, o Algoritmo de Averaging Federado é uma abordagem poderosa para aprendizado de máquina descentralizado que permite o treinamento colaborativo de modelos enquanto mantém a confidencialidade dos dados.