A Survey on Decentralized Federated Learning

Este artigo apresenta uma revisão sistemática do Aprendizado Federado Descentralizado (DFL) de 2018 a 2026, organizando os métodos em famílias arquitetônicas, propondo uma taxonomia baseada em desafios, analisando práticas de avaliação e delineando direções futuras para pesquisas em segurança, privacidade e incentivos em ambientes descentralizados.

O essencial

Imagine que você e seus amigos querem aprender a cozinhar o prato perfeito, mas ninguém quer revelar a receita secreta da avó ou sair de casa para entregar os ingredientes a um chef central.

O artigo que você leu é um mapa do tesouro sobre como a Inteligência Artificial (IA) está aprendendo a fazer isso de forma descentralizada. Vamos traduzir os conceitos técnicos para uma linguagem do dia a dia, usando analogias.

1. O Problema: O "Chefe" Único

Antigamente, para treinar uma IA (como o ChatGPT ou o reconhecimento de voz), todas as empresas precisavam enviar seus dados para um servidor central (o "Chefe").

• O risco: Se esse servidor quebrasse, todo o sistema parava (ponto único de falha). Além disso, confiar todos os segredos em uma única pessoa é perigoso para a privacidade.
• A solução antiga (Federated Learning): Em vez de enviar os dados, a IA ia até os dados (nos seus celulares). Mas ainda havia um "Chefe" coordenando tudo.

2. A Nova Solução: A "Festa de Vizinhos" (Decentralized FL)

O artigo fala sobre Aprendizado Federado Descentralizado (DFL). Aqui, não existe mais um "Chefe".

• A Analogia: Imagine uma festa onde todos os convidados são vizinhos. Em vez de um anfitrião central distribuindo tarefas, cada pessoa conversa diretamente com os vizinhos mais próximos.
  • Você treina sua própria IA com seus dados.
  • Você troca "dicas" (atualizações do modelo) com quem está ao seu lado.
  • Cada um melhora sua própria versão da IA baseada no que aprendeu com os vizinhos.
• Vantagem: Se um vizinho sair da festa ou a internet dele cair, a festa continua. Não há um ponto único que, se quebrar, destrói tudo.

3. Os Dois Caminhos para a Descentralização

Os autores do artigo dividiram as soluções encontradas na literatura em dois "bairros" diferentes:

A. O Bairro Tradicional (P2P - Peer-to-Peer)

É como uma rede de correio entre vizinhos.

• Como funciona: As máquinas se conectam diretamente umas às outras, como uma teia de aranha. Elas trocam informações de forma rápida e leve.
• O foco: Resolver problemas práticos como: "Como fazer isso funcionar rápido mesmo com internet ruim?" ou "Como lidar com dados muito diferentes entre vizinhos?".
• Tendência: É a abordagem que tem crescido mais recentemente (2023-2025) porque é mais leve e flexível.

B. O Bairro da "Cadeia de Blocos" (Blockchain)

É como uma festa com um livro de atas público e imutável.

• Como funciona: Toda vez que alguém troca uma dica, isso é registrado em um "livro de ouro" (blockchain) que todos podem ver, mas ninguém pode apagar.
• O foco: Confiança e recompensa. "Eu sei que você enviou uma dica porque está escrito no livro." Isso ajuda a evitar trapaceiros e permite pagar quem contribui mais (incentivos).
• Tendência: Foi muito popular entre 2019 e 2022, mas o artigo nota que, ultimamente, as pessoas estão percebendo que usar blockchain para tudo é como usar um caminhão de bombeiros para levar uma carta: às vezes é pesado demais e lento. Hoje, usa-se blockchain apenas quando é estritamente necessário (para auditoria ou pagamentos).

4. Os Desafios da Festa (O que ainda precisa ser resolvido)

Mesmo sem o "Chefe", existem problemas difíceis:

• A "Falta de Motivação" (Incentivos): Por que alguém gastaria a bateria do celular para ajudar a treinar a IA de todos? Precisamos de um sistema de recompensas justo para que ninguém fique "de carona" (apenas pegando benefícios sem contribuir).
• O "Vizinho Malandro" (Segurança): Se não há um chefe para vigiar, como saber se um vizinho está enviando dicas falsas para estragar a receita de todos? Precisamos de métodos para detectar quem está tentando sabotar o grupo.
• O "Linguajar Diferente" (Heterogeneidade): Um vizinho pode ter dados de receitas italianas e outro de japonesas. Como misturar isso sem confundir a IA?
• A "Lentidão da Conversa" (Largura de Banda): Se todos conversarem com todos ao mesmo tempo, a rede fica congestionada. É preciso escolher com quem conversar para ser eficiente.

5. O Que os Autores Aprendem e Sugerem

O artigo conclui com lições importantes para o futuro:

1. Não existe "Modelo Global" único: Em uma rede descentralizada, talvez não faça sentido ter uma única IA para todos. Talvez seja melhor ter "IA de bairro" ou "IA personalizada" para cada grupo, dependendo de como a rede está conectada.
2. Segurança precisa ser mais inteligente: Não basta apenas filtrar dados ruins; precisamos entender como os "malandros" podem se esconder na rede e como a topologia (quem fala com quem) afeta a segurança.
3. Privacidade real: Como os dados são vistos por vários vizinhos e não apenas por um chefe, as regras de privacidade precisam ser redesenhadas para essa nova realidade.

Resumo Final

Este artigo é um guia de sobrevivência para quem quer construir sistemas de Inteligência Artificial onde ninguém manda em ninguém. Ele diz: "Ok, tiramos o chefe e estamos todos falando entre nós. Isso é ótimo para segurança e privacidade, mas agora precisamos aprender a organizar a festa, motivar os convidados, impedir os trapaceiros e garantir que a conversa não fique lenta."

É um campo em evolução, saindo da teoria para a prática, com o objetivo de criar uma IA que pertença a todos, sem depender de um único gigante tecnológico.

Resumo técnico

Resumo Técnico: Uma Pesquisa sobre Aprendizado Federado Descentralizado (DFL)

1. Problema e Motivação

O Aprendizado Federado (FL) tradicional permite o treinamento colaborativo de modelos de machine learning sem a necessidade de compartilhar dados brutos, preservando a privacidade. No entanto, o FL padrão depende de um coordenador central (servidor), o que introduz vulnerabilidades críticas:

• Ponto Único de Falha: Se o servidor central falhar, todo o sistema colapsa.
• Riscos de Segurança e Confiança: O servidor central tem acesso a todos os modelos locais, tornando-o um alvo para ataques de injeção de dados (poisoning), injeção de modelos (model poisoning) e ataques de inferência de membros/reconstrução de dados. Além disso, concentra a confiança em uma única entidade.
• Gargalos de Escalabilidade e Comunicação: A comunicação centralizada (cliente-servidor) gera gargalos de largura de banda e latência à medida que o número de dispositivos aumenta.

O Aprendizado Federado Descentralizado (DFL) surge como solução, eliminando o coordenador central e adotando uma arquitetura peer-to-peer (P2P), onde os nós treinam localmente e agregam modelos diretamente com seus vizinhos. Contudo, essa transição traz novos desafios, como heterogeneidade de dados, topologias de rede dinâmicas, falta de mecanismos de incentivo e novas superfícies de ataque.

2. Metodologia

Os autores realizaram uma Revisão Sistemática da Literatura (SLR) seguindo as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

• Escopo Temporal: Trabalhos publicados entre 2018 e início de 2026.
• Fontes de Dados: IEEE Xplore, ScienceDirect, ACM Digital Library e Google Scholar.
• Critérios de Inclusão/Exclusão:
  • Inclusão: Trabalhos que abordam explicitamente a descentralização da orquestração/agregação, delegando-a aos pares (P2P) ou usando blockchain, com novidade arquitetural ou algorítmica.
  • Exclusão: Trabalhos que apenas melhoram o FL baseado em servidor (ex: compressão sob um coordenador) ou não focam na descentralização.
• Processo: De 123 artigos recuperados, após remoção de duplicatas e triagem rigorosa (títulos, resumos e texto completo), 35 artigos foram selecionados para análise final.
• Análise: Os trabalhos foram categorizados em duas famílias arquitetônicas principais e mapeados contra um conjunto de desafios centrais (taxonomia orientada a desafios).

3. Contribuições Principais

O artigo oferece três contribuições fundamentais:

1. Taxonomia Unificada e Orientada a Desafios: Propõe uma classificação que abrange tanto o DFL tradicional (P2P) quanto o baseado em Blockchain, organizando-os não apenas por arquitetura, mas pelos gargalos de sistema que eles visam resolver (tolerância a falhas, privacidade, segurança, incentivos, heterogeneidade, eficiência de banda, etc.).
2. Revisão Sistemática e Mapeamento de Lacunas: Identifica padrões na evolução da pesquisa (ex: o declínio de propostas puramente baseadas em blockchain em favor de soluções P2P mais leves) e expõe lacunas na literatura, como a falta de avaliações padronizadas e a escassez de testes em cenários realistas e dinâmicos.
3. Direções Futuras e Lições Aprendidas: Define caminhos para pesquisa futura, enfatizando a necessidade de modelos de ameaça conscientes da topologia, noções de privacidade adaptadas à exposição descentralizada e mecanismos de incentivo robustos.

4. Resultados e Análise da Literatura

Os 35 trabalhos analisados foram divididos em duas categorias principais:

A. DFL Tradicional (TD-FL) - Computação Distribuída Clássica
Foca em técnicas de computação distribuída padrão (P2P). A pesquisa nesta área é mais recente e contínua (2023-2025), com foco em:

• Tolerância a Falhas: Mecanismos para lidar com nós que entram/saem (churn) e links intermitentes (ex: IPLS, DFL-UN).
• Privacidade e Segurança: Uso de representações proxy, criptografia verificável e privacidade diferencial descentralizada (ex: ProxyFL, PVD-FL, f-DP).
• Heterogeneidade de Dados (Non-IID): Abordagens que substituem a média simples por transferência de conhecimento, ajuste de grafos de comunicação ou métodos bayesianos para evitar o "desvio do cliente" (client drift) (ex: Def-KT, PANM, NTK-DFL).
• Eficiência de Banda: Estratégias de gossip, segmentação de modelos e compressão para reduzir o tráfego de rede (ex: Combo, GossipFL).

B. DFL Baseado em Blockchain (BC-FL)
Utiliza blockchain como camada de coordenação e auditoria. A pesquisa aqui foi mais concentrada entre 2019-2022.

• Foco Principal: Segurança, auditabilidade e mecanismos de incentivo (recompensas por contribuição).
• Abordagens: Uso de contratos inteligentes para orquestração, consenso para validação de atualizações e armazenamento de hashes de modelos (não os modelos completos) na cadeia (ex: FED-BC, DeepChain, Biscotti, FedCoin).
• Limitações Identificadas: A sobrecarga (latência, armazenamento, energia) do blockchain muitas vezes supera os benefícios, a menos que haja requisitos estritos de auditoria ou incentivos econômicos.

Lacunas e Padrões Observados:

• Avaliação Empírica: A maioria dos estudos usa conjuntos de dados pequenos e limpos (MNIST, CIFAR) e partições horizontais. Há uma falta de validação em cenários reais, heterogêneos e com recursos limitados.
• Segurança: Falta uma avaliação sistemática de ataques adaptativos e modelos de ameaça que considerem a topologia da rede (ex: ataques de Sybil ou colusão local).
• Incentivos: Mecanismos de incentivo são raros no DFL tradicional e muitas vezes ingênuos no DFL baseado em blockchain (baseados apenas em quantidade de dados, não na qualidade da contribuição).

5. Significado e Direções Futuras

O artigo conclui que a descentralização do FL é um passo necessário para a robustez e privacidade, mas não é uma solução "pronta". As direções futuras críticas incluem:

• Modelos de Ameaça Realistas: Desenvolver defesas que considerem topologias dinâmicas, nós maliciosos locais e adversários que buscam vantagem estratégica (não apenas destruir o modelo).
• Privacidade Descentralizada: Criar métricas de privacidade que reflitam a exposição múltipla em redes P2P, indo além das premissas de um único servidor confiável.
• Mecanismos de Incentivo Robustos: Projetar sistemas que recompensem a qualidade da contribuição e resistam a manipulações, integrando economia e segurança.
• Reconceitualização do "Modelo Global": Em ambientes descentralizados com alta heterogeneidade, o objetivo pode não ser um único modelo global, mas sim soluções personalizadas ou de clusters. A pesquisa deve definir explicitamente esse objetivo.
• Eficiência e Escalabilidade: Co-design de protocolos de comunicação e agregação que equilibrem largura de banda, latência e robustez a ataques.

Em suma, este survey serve como um mapa abrangente para pesquisadores e praticantes, destacando que a maturidade do DFL depende da superação de desafios de segurança, privacidade e eficiência sistêmica em cenários descentralizados complexos, movendo-se de protocolos conceituais para implementações robustas.