@MASTERSTHESIS{ 2024:904080131,
 	title = {Sistema de Aprendizagem de Máquina Distribuído utilizando o VCube},
 	year = {2024},
 	url = "https://tede.unioeste.br/handle/tede/7354",
 	abstract = "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.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}