Autor: camila

Este trabalho foi desenvolvido pelos pesquisadores João Victor Feio Gonçalves (UFPA), John Sousa (UFPA), Rafael Veiga (UFPA), Lucas de Lima Bastos (UNIFESSPA), Lucas de Sousa Pacheco (UFPA), Iago Medeiros (UFPA), Denis Rosário (UFPA) e Eduardo Coelho Cerqueira (UFPA).

Eles desenvolveram o ASTRA, um novo método projetado para otimizar o Aprendizado Federado em cenários onde os dados entre os dispositivos são altamente diversificados e desconexos. O núcleo da inovação reside na Regularização em Espaço Duplo, que combina restrições físicas nos pesos do modelo com uma auto-destilação semântica para garantir que as previsões locais permaneçam alinhadas com o objetivo global. 

Para viabilizar o uso em dispositivos com recursos limitados, os autores implementam um Escalonamento Baseado em Currículo, ativando o modelo “instrutor” de forma intensa apenas no início e, posteriormente, de maneira periódica. O propósito do estudo é mitigar o desvio do cliente (client drift) e evitar a divergência catastrófica do sistema, alcançando uma precisão superior a métodos tradicionais com um aumento pequeno no custo computacional. 

Client drift/Desvio do cliente

○ Em redes de borda, os dados apresentam grande assimetria entre os diferentes dispositivos (dados não IID).

○ O impacto no treinamento local acontece porque os clientes otimizam exclusivamente com base em seus próprios dados privados e as atualizações locais dos pesos divergem significativamente do objetivo global.

○ As consequências para o FL são estas:

■ Divergência catastrófica: a média de gradientes conflitantes destrói o desempenho global do modelo

■ Falhas de convergência: métodos padrão (como o FedAvg) apresentam grave instabilidade.

○ O objetivo então é:

■ Manter as atualizações locais semanticamente alinhadas com o consenso global sem suprimir o aprendizado local,

Dessa forma, os autores demonstram que é possível conciliar estabilidade estrutural e flexibilidade lógica para criar modelos de inteligência artificial descentralizados mais robustos e eficientes.

Teacher-Student Distillation

O Teacher-Student Distillation (destilação professor-aluno), no contexto das fontes, é uma técnica de abordagem semântica que visa alinhar as saídas de um modelo (logits) em vez de apenas seus pesos. 

O conceito central baseia-se na transferência de “dark knowledge” (conhecimento obscuro) de um modelo “Professor” robusto para um modelo “Estudante” local. O Mecanismo de Funcionamento – a transferência ocorre através dos logits de saída (ativações pré-softmax) – procura minimizar a Divergência de Kullback-Leibler (KL) entre as distribuições de probabilidade do aluno e do professor.

A consistência semântica, que é reforçada nesse processo, é uma técnica que garante que as fronteiras de decisão do modelo local permaneçam alinhadas com o consenso global, permitindo que o modelo mantenha a lógica de classificação mesmo quando os pesos físicos mudam para se adaptar a dados locais.

Utiliza-se um parâmetro de temperatura para “suavizar” as distribuições de probabilidade; isso amplifica a importância das classes de baixa probabilidade, facilitando a transferência de relações entre classes (o “dark knowledge”) em vez de apenas rótulos rígidos.

O ASTRA utiliza uma variação chamada Self-Distillation (autodestilação), onde o modelo global congelado periodicamente atua como o Professor e o modelo local em treinamento é o Estudante.

Fase de mentoria

Depois da etapa inicial de estabilização do modelo, o método ASTRA entra em uma nova fase de treinamento: a Fase de Mentoria (Mentorship Phase). A proposta é que, em vez de manter a orientação do modelo global sobre os modelos locais durante todo o processo, o sistema passe a fazer intervenções periódicas, permitindo que os dispositivos trabalhem de forma mais autônoma.

No início do treinamento, na chamada Fase de Fundação, o modelo global — o “Professor” – orienta continuamente os modelos locais, os “Estudantes”. Na fase de Mentoria, essa relação muda. O Professor passa a acompanhar o aprendizado em intervalos determinados, funcionando como uma espécie de supervisor que intervém apenas quando necessário.

A cada ciclo de rodadas de treinamento, o Professor é ativado para realizar um check-in. Nesse momento, o modelo local recebe uma correção semântica que ajuda a manter suas previsões alinhadas ao objetivo global do sistema. Entre essas intervenções, porém, o Professor permanece inativo.

É nesse intervalo que entra o chamado Modo Autônomo. Sem a necessidade de executar as passagens à frente (forward passes) do modelo global para realizar a destilação, o modelo local pode se concentrar nos seus próprios dados e se especializar de acordo com as características daquele ambiente.

A estratégia tem também um impacto direto sobre o uso de recursos computacionais. Ao reduzir a frequência com que o modelo global precisa participar do treinamento, o ASTRA diminui o consumo de memória VRAM e o número de operações de ponto flutuante (FLOPs), um aspecto especialmente relevante para dispositivos de borda, que normalmente trabalham com recursos computacionais mais limitados.

A lógica pode ser comparada à relação entre um professor e seus alunos. Depois de apresentar os conceitos fundamentais, o professor não precisa acompanhar cada exercício realizado individualmente. Ele pode deixar os estudantes resolverem as questões sozinhos e, periodicamente, voltar para verificar o andamento, corrigir eventuais erros e oferecer novas orientações. No aprendizado federado, essa alternância busca equilibrar autonomia local e alinhamento global. O modelo local ganha espaço para aprender com seus próprios dados, enquanto as intervenções periódicas do modelo global ajudam a evitar que esse aprendizado se afaste excessivamente do objetivo comum, o já mencionado client drift.

Com essa abordagem, o ASTRA procura combinar a capacidade de adaptação aos dados locais com uma maior eficiência computacional, mantendo uma velocidade de treinamento próxima à do FedAvg, algoritmo de referência no aprendizado federado. A ideia central é transformar a relação entre os modelos global e local: menos supervisão contínua, mais autonomia — mas sem abrir mão de momentos estratégicos de orientação.

Desafio Computacional

Uma limitação crítica da destilação padrão é o custo computacional, pois exige uma passagem à frente (forward pass) do professor em cada etapa de treinamento. O ASTRA resolve isso ativando o sinal do professor apenas periodicamente, de acordo com um cronograma de currículo, para proteger os recursos de dispositivos de borda (edge devices). De tempos em tempos acontece a correção do modelo global. Não é possível ter o processo de mentoria ativa todo o tempo; mas a proposta é ter uma solução eficiente em que o modelo global não precise estar sempre instruindo; as coisas acontecem de forma autônoma e ele corrige o que for necessário de forma pontuada.

Projeto desenvolvido por Amanda Lopes (UFPA), John Sousa (UFPA), Lucas de Lima Bastos (UNIFESSPA), Lucas de Sousa Pacheco (UFPA), Iago Medeiros (UFPA), Denis Rosário (UFPA) e Eduardo Coelho Cerqueira (UFPA) foi apresentado no SBRC 2026.

Cada vez mais, os veículos são capazes de coletar grandes quantidades de dados por meio de sensores e dispositivos de IoT. No contexto da autonomia veicular, uma das propostas é equipar os carros com múltiplos sensores e capacidade computacional suficiente para processar essas informações e estimar, em tempo real, a melhor maneira de se deslocar.

Com esse processamento, o próprio veículo pode tomar decisões, como frear, acelerar ou alterar sua trajetória. No entanto, o potencial é ainda maior quando diferentes veículos podem participar de uma mesma rede e compartilhar informações. A partir dos dados e das previsões produzidas por esses veículos é possível, por exemplo, identificar as melhores rotas e antecipar situações no trânsito.

É nesse contexto que surgem os veículos autônomos conectados: uma tentativa de ampliar as capacidades dos sistemas veiculares para resolver problemas que o hardware disponível em um único veículo não consegue solucionar sozinho. A ideia é aproveitar o conhecimento produzido pela academia e criar soluções que possam, futuramente, ser implementadas pela indústria.

Um dos desafios é fazer com que o veículo consiga “ler” o contexto ao seu redor e utilizar essas informações para tomar decisões mais adequadas. É nesse cenário que se insere a PRINCE, uma arquitetura de aprendizado federado (AF) voltada para redes veiculares autônomas.

A proposta busca selecionar, entre os veículos disponíveis, aqueles mais adequados para participar de um processo de aprendizado federado. Em vez de considerar todos os veículos da rede indistintamente, o sistema avalia diferentes características para determinar quais deles podem contribuir de maneira mais relevante para o aprendizado.

A seleção proativa de clientes, exemplificada pela PRINCE, apresenta vantagens significativas em relação aos métodos reativos tradicionais em ambientes de Veículos Conectados e Autônomos (CAVs), especialmente em termos de eficiência de recursos, velocidade de convergência e estabilidade do modelo. Enquanto as abordagens reativas selecionam os veículos e lidam com eventuais falhas somente depois que elas ocorrem, a estratégia proativa busca antecipar possíveis problemas e selecionar, desde o início, os clientes com maior probabilidade de concluir o treinamento.

Um dos principais benefícios está na eficiência no uso dos recursos. Nos métodos reativos, largura de banda e capacidade de processamento podem ser desperdiçadas quando veículos selecionados abandonam ou falham durante uma rodada de treinamento. A abordagem proativa procura filtrar previamente os nós instáveis, alcançando, segundo os resultados apresentados, uma melhoria de até 3,5 vezes na eficiência dos recursos. Essa antecipação também contribui para uma redução significativa das falhas de conexão, que pode chegar a 2,2 a 2,5 vezes em comparação com abordagens reativas, graças ao uso de modelos estocásticos para prever instabilidades e à pré-filtragem baseada em sinais como o RSSI.

Os ganhos também aparecem no desempenho do modelo. O PRINCE alcançou 83,90% de acurácia final, superando modelos reativos de estado da arte em até 9,22%. Além disso, a seleção proativa acelera a convergência: em um dos cenários avaliados, o sistema atingiu 60% de acurácia três vezes mais rápido do que métodos de seleção aleatória, apresentando também desempenho superior a abordagens reativas como ACSP-FL e ECS-HDSR.

Outro diferencial está na redução da latência e dos custos computacionais. Em estratégias reativas, como o ECS-HDSR, quando um cliente falha, o sistema precisa procurar um substituto e reiniciar ou reorganizar parte do processo, o que acrescenta etapas, tempo e processamento. A abordagem proativa procura evitar essa situação ao formar antecipadamente um conjunto de clientes com alta probabilidade de permanecer conectado e concluir o treinamento.

Essa antecipação também favorece a estabilidade do treinamento. Enquanto métodos reativos podem apresentar oscilações na acurácia e picos na função de perda (loss) em razão da agregação de modelos provenientes de clientes que falharam, a seleção proativa tende a produzir uma trajetória de aprendizado mais estável e consistente.

Em síntese, a diferença fundamental está na forma como cada estratégia lida com a incerteza. A seleção reativa espera o problema acontecer para então tentar corrigi-lo; a seleção proativa utiliza o histórico de comportamento dos veículos, as condições da rede e as previsões de mobilidade para antecipar possíveis falhas e evitá-las. Em um ambiente dinâmico como o dos veículos conectados e autônomos, essa capacidade de previsão pode tornar cada rodada de comunicação mais eficiente, reduzir desperdícios e contribuir para modelos globais que convergem mais rapidamente e de maneira mais estável.

Aspectos considerados na seleção ativa de veículos 

O primeiro aspecto considerado é a localização e a conectividade dos veículos, que são definidos pelo Indicador de Força do Sinal Recebido (RSSI). São avaliados carros que estejam mais próximos ou mais distantes e que tenham, ou não, cobertura de internet. Aqueles veículos que possuírem valores fracos de RSSI (i.e., valores abaixo de -85 dbM) são excluídos da futura seleção, pois eles não apresentam uma conectividade boa naquela área para participarem ativamente da seleção de clientes do aprendizado federado. Os veículos com bons valores de RSSI (i.e., valores acima de -85 dbM) são selecionados para a próxima etapa.

Para estimar a possibilidade de um veículo permanecer conectado durante o processo, na segunda etapa a arquitetura utiliza o conceito de Cadeia de Markov, um processo estocástico no qual o sistema pode se encontrar em determinado estado e permanecer nele ou mudar para outro. A partir desse modelo, é calculada a probabilidade de um determinado veículo continuar conectado à rede.

Essa informação é importante porque, em um processo de aprendizado federado, não basta que um veículo tenha dados relevantes: é necessário que ele consiga permanecer conectado pelo tempo necessário para participar do treinamento.

A importância da heterogeneidade dos dados

O terceiro e último critério utilizado pelo PRINCE é a diversidade dos dados disponíveis em cada veículo. Para isso, a arquitetura considera a Entropia de Shannon, uma medida relacionada à variabilidade e à diversidade das informações.

A lógica é que veículos com dados mais heterogêneos podem oferecer uma contribuição mais relevante ao processo de aprendizado, já que permitem ao modelo entrar em contato com diferentes situações e padrões.

Assim, o sistema procura priorizar veículos que apresentem maior índice de entropia, ou seja, maior diversidade em seus dados. A arquitetura combina, portanto, diferentes critérios para selecionar os veículos mais adequados para participar do aprendizado federado. De forma geral, são consideradas três dimensões: proximidade: priorizar veículos que estejam próximos da região ou situação de interesse; conectividade: selecionar veículos com maior probabilidade de permanecer conectados durante o processo; heterogeneidade dos dados: priorizar veículos cujos dados apresentem maior diversidade.

O objetivo é encontrar um conjunto de veículos que não apenas esteja relacionado ao problema que se deseja analisar, mas que também tenha condições de contribuir efetivamente para o treinamento do modelo.

Possíveis aplicações

Uma aplicação possível seria o uso do PRINCE por uma empresa que precise transmitir informações específicas para determinados veículos em uma determinada região.

Imagine, por exemplo, que esteja ocorrendo um problema em uma determinada rota. A empresa poderia utilizar a arquitetura para identificar os veículos que estão naquela área ou que estão se dirigindo para ela e compartilhar informações relevantes com esses usuários.

Da mesma forma, um motorista que estivesse se deslocando para determinada cidade poderia receber informações específicas relacionadas às condições daquela região, permitindo que o sistema utilizasse o conhecimento produzido pelos veículos conectados para apoiar decisões mais adequadas.

Leia o artigo completo nos anais do SBRC 2026 https://sol.sbc.org.br/index.php/sbrc/article/view/42357/42124 

O projeto, conduzido pelos pesquisadores João e Silva Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026

O FLeer2FLeer (F2F) é uma ferramenta web para orquestração de aprendizado federado baseada em uma arquitetura P2P. O F2F introduz um indexador responsável pela descoberta, anúncio e ingresso de clientes nas múltiplas federações, sem interferir no processo de treinamento.

A ferramenta fornece uma infraestrutura de orquestração descentralizada para o Aprendizado Federado (FL), permitindo treinar modelos de inteligência artificial sem comprometer a privacidade dos usuários que detêm os dados.

O projeto, conduzido pelos pesquisadores João Silva e Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026 e está disponível nos anais do simpósio.

Aprendizado federado

O trabalho está relacionado ao aprendizado federado (Federated Learning), uma abordagem desenvolvida inicialmente pela Google para solucionar um problema central no treinamento de modelos de inteligência artificial: a necessidade de coletar grandes volumes de dados dos usuários, o que gerava preocupações com privacidade.

Em vez de centralizar os dados dos usuários em um único servidor para treinar os modelos, a proposta do aprendizado federado inverte essa lógica. O modelo é enviado aos dispositivos ou organizações que possuem os dados, onde o treinamento é realizado localmente. Posteriormente, apenas as atualizações dos modelos treinados são enviadas de volta ao servidor central, que combina (“faz o merge”) essas contribuições para produzir um modelo global cada vez mais preciso e convergente. Esse processo depende da participação de múltiplos clientes treinando o modelo em paralelo.

O procedimento é repetido até que o modelo convirja ou algum critério de parada seja alcançado. Essa abordagem de treinamento distribuído, por preservar a privacidade dos usuários, é bastante adequada para situações em que o treinamento exige informações sensíveis dos usuários, como dados provenientes de sistemas de Internet das Coisas (IoT), dados médicos ou produzidos por dispositivos móveis.

Peer-to-Peer

Grande parte dos trabalhos existentes na literatura assume que esses processos de treinamento já estão em andamento. No entanto, pouco se discute sobre uma questão prática: como um novo participante ingressa em um processo de treinamento federado? Como uma empresa ou um usuário que possui dados pode encontrar um treinamento compatível e começar a contribuir?

É justamente essa lacuna que o artigo procura abordar. A proposta permite que um cliente — seja uma empresa ou um usuário final, detentor dos dados — localize modelos de aprendizado federado compatíveis com seus interesses e participe dos respectivos processos de treinamento. Para isso, o sistema disponibiliza um servidor que atua como ponto de entrada para esses treinamentos.

Ao participar com seus próprios dados, o cliente contribui para o aperfeiçoamento do modelo e, ao mesmo tempo, obtém um sistema mais adaptado às suas necessidades específicas. Além disso, modelos já existentes podem continuar sendo refinados continuamente à medida que novos dados são incorporados ao processo de treinamento.

Proposta

O trabalho dos pesquisadores propõe o desenvolvimento de uma ferramenta web inspirada na arquitetura P2P, chamada de FLeer2FLeer (F2F), para treinamento de modelos federados. O F2F propõe um servidor operando como indexador para descoberta e gerenciamento de federações. Diferente das abordagens focadas em mudanças complexas no algoritmo, a ferramenta prioriza a experiência do usuário e a governança de múltiplos treinamentos de modelos simultâneos.

FLeer2FLeer é uma ferramenta inovadora que une aprendizado federado e arquitetura par a par para otimizar o treinamento de modelos de inteligência artificial. Diferente dos métodos tradicionais que centralizam informações privadas, essa solução permite que os dados permaneçam com os usuários, promovendo maior privacidade e segurança durante o processamento.

O sistema facilita a colaboração entre empresas e indivíduos, possibilitando que interessados localizem e contribuam com treinamentos específicos de forma distribuída. Ao descentralizar o esforço computacional, a plataforma ajuda a reduzir custos operacionais e torna os modelos mais precisos e personalizados para as necessidades reais dos participantes. O foco central é superar os desafios de implementação prática, conectando detentores de dados a processos de orquestração de modelos globais de maneira eficiente.

Embora o sistema não seja um serviço público aberto, ele pode ser implantado dentro de empresas, permitindo que diferentes organizações realizem treinamentos colaborativos sobre dados distribuídos, sem necessidade de centralizá-los.

Essa abordagem também possibilita a distribuição do custo computacional entre os participantes, já que o processamento é realizado de forma descentralizada. O principal desafio agora é transformar essa solução em uma tecnologia aplicável em cenários reais, ampliando sua adoção fora do ambiente de pesquisa.