Share |
![]() ![]() |
Please use this identifier to cite or link to this item:
https://tede.unioeste.br/handle/tede/7354
Tipo do documento: | Dissertação |
Title: | Sistema de Aprendizagem de Máquina Distribuído utilizando o VCube |
Other Titles: | Distributed Machine Learning System using VCube |
Autor: | Salles, Charles Giovane de ![]() |
Primeiro orientador: | Brun, André Luiz |
Segundo coorientador: | Rodrigue, Luiz Antonio |
Primeiro membro da banca: | Rodrigues, Luiz Antonio |
Segundo membro da banca: | Silva, Ronan Assumpção |
Resumo: | Com o crescimento do volume de informações geradas, seu armazenamento deixou de ser realizado de forma local, criando os cenários de dados distribuídos. Assim, quando é necessário realizar um processo de classificação, que é o processo de predizer a categoria de novas entradas com base em dados de treinamento, seria necessária a consolidação das informações em um ponto central da rede para efetuar o aprendizado. No entanto, em algumas situações a movimentação de dados pela rede não é viável, seja pela sobrecarga do enlace ou por sujeitar as informações a ataques. Como forma de contornar tais dificuldades neste trabalho, é proposto um método de classificação distribuída empregando-se uma estratégia do tipo peer-to-peer em conjunto com VCube que é um algoritmo de diagnóstico distribuído que organiza os nós da rede em uma topologia virtual de hipercubo permitindo a detecção eficiente de falhas nos nós da rede. Na solução proposta os modelos são treinados localmente e então compartilhados, evitando a necessidade de envio e exposição das informações. Durante os experimentos foram utilizados oito nós na rede no qual cada um realizava o treinamento local com o algoritmo Perceptron Multicamadas. Diferentes cenários de distribuição de dados na rede foram testados, desde variando-se a quantidade de instâncias quanto a distribuição das classes. Além disso, simulamos casos em que algum dos nós da rede poderia não estar disponível. Os resultados mostraram que o treinamento local é mais rápido em comparação ao treinamento centrado em um único nó. Os desempenhos em termos de acurácia foram maiores quando cada nó recebia os modelos treinados nos outros nós, ou seja, o sistema distribuído obteve acurácia maior em comparação à solução individual. Os resultados evidenciaram a aplicabilidade do VCube como topologia de compartilhamento dos modelos treinados. Nos casos em que um dos nós estava indisponível, a estratégia permitiu que o sistema de aprendizado distribuído pudesse funcionar adequadamente, obtendo desempenho superior aos modelos gerados em cada nó individualmente. |
Abstract: | As the amount of data generated increases, it is no longer stored locally, resulting in distributed data scenarios. Therefore, if it is necessary to perform a classification process, i.e. the process of predicting the category of new entries based on training data, it would be necessary to consolidate the information at a central point in the network to perform the learning. However, in some situations, it is not practical to move the data across the network because the connections are congested or the information is exposed to attacks. To overcome such difficulties, a distributed classification method using a peer-to-peer strategy in conjunction with VCube is proposed in this paper. VCube is a distributed diagnosis algorithm that organizes the network nodes in a virtual topology of a hypercube, enabling efficient detection of failures in the network nodes. In the proposed solution, the models are trained locally and then shared so that no information needs to be sent and displayed. During the experiments, eight nodes were used in the network, each of which performed local training using the multilayer perceptron algorithm. Different scenarios of data distribution in the network were tested, varying the number of instances and the distribution of classes. We also simulated cases where one of the network nodes was unavailable. The results show that local training is faster than training that focuses on a single node. The performance in terms of accuracy was greater when each node received models trained on other nodes, i.e. the distributed system achieved higher accuracy than the individual solution. The results emphasize the applicability of VCube as a topology for sharing trained models. In cases where one of the nodes was unavailable, the strategy allowed the distributed learning system to function properly and achieve better performance than the models generated on each individual node. |
Keywords: | Classificação Sistemas de Múltiplos Classificadores Sistemas de Apren dizado Federado Classification Multiple Classifier Systems Federated Learning |
CNPq areas: | CIÊNCIA DA COMPUTAÇÃO |
Idioma: | por |
País: | Brasil |
Publisher: | Universidade Estadual do Oeste do Paraná |
Sigla da instituição: | UNIOESTE |
Departamento: | Centro de Ciências Exatas e Tecnológicas |
Program: | Programa de Pós-Graduação em Ciência da Computação |
Campun: | Cascavel |
Citation: | Salles, Charles Giovane de. Sistema de Aprendizagem de Máquina Distribuído utilizando o VCube. 2024. 81 f. Dissertação( Mestre em Ciência da Computação) - Universidade Estadual do Oeste do Paraná, Cascavel. |
Tipo de acesso: | Acesso Aberto |
Endereço da licença: | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.unioeste.br/handle/tede/7354 |
Issue Date: | 21-Apr-2024 |
Appears in Collections: | Mestrado em Ciência da Computação (CVL) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Charles Giovane Charles.pdf | ARQUIVO COMPLETO | 2.66 MB | Adobe PDF | View/Open Preview |
Items in TEDE are protected by copyright, with all rights reserved, unless otherwise indicated.