🤖 machine learning

Evidential Trust-Aware Model Personalization in Decentralized Federated Learning for Wearable IoT

O artigo apresenta Murmura, um framework descentralizado de aprendizado federado para IoT vestível que aproveita o aprendizado profundo evidencial para quantificar a incerteza epistêmica como uma medida principiológica de compatibilidade entre pares, permitindo assim personalização de modelos consciente de confiança que supera significativamente os métodos existentes em ambientes não-IID.

Autores originais: Murtaza Rangwala, Richard O. Sinnott, Rajkumar Buyya

Publicado 2026-05-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Murtaza Rangwala, Richard O. Sinnott, Rajkumar Buyya

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde milhares de relógios inteligentes e rastreadores de fitness querem aprender a reconhecer suas atividades — como caminhar, correr ou dormir — sem jamais enviar seus dados privados para um servidor central. Este é o mundo da Aprendizagem Federada Descentralizada (DFL). Em vez de um professor autoritário coletando o dever de casa de todos, os dispositivos conversam diretamente entre si, compartilhando o que aprenderam para ficar mais inteligentes juntos.

No entanto, há um grande problema: todos são diferentes.

Seu relógio pode estar no seu pulso esquerdo, enquanto o do seu amigo está no direito. Você pode ser um maratonista, enquanto ele é um caminhante casual. Seus dados são "estatisticamente heterogêneos", o que significa que os padrões que seu relógio vê são diferentes dos que os outros veem. Se todos simplesmente misturarem seus conhecimentos em um único modelo "médio", o resultado será um modelo medíocre que não funciona bem para ninguém.

O artigo apresenta um novo framework chamado MURMURA para resolver isso. Pense no MURMURA como um diplomata inteligente e cauteloso que ajuda esses dispositivos a decidir quem confiar e quem ignorar, para que possam construir modelos personalizados que realmente funcionem para eles.

Veja como funciona, dividido em conceitos simples:

1. O Problema: O Dilema do "Vizinho Ruim"

Em uma rede descentralizada normal, se o Dispositivo A recebe uma atualização de modelo do Dispositivo B, ele geralmente apenas os mistura. Mas e se o Dispositivo B estiver aprendendo sobre "natação" enquanto o Dispositivo A está aprendendo sobre "ciclismo"? Se o Dispositivo A aceitar cegamente o conselho do Dispositivo B, ele pode ficar confuso e começar a pensar que natação é ciclismo.

Métodos existentes tentam resolver isso medindo o quão "semelhantes" os modelos parecem (como comparar o comprimento de seus braços). Mas isso é falho. Dois dispositivos podem ter dados muito diferentes (um nada, outro pedala), mas ainda assim ter modelos com aparência semelhante porque ambos são bons no que fazem. Por outro lado, dois dispositivos podem ter dados semelhantes, mas um está apenas aprendendo mal. Verificações simples de similaridade não conseguem distinguir entre "diferente, mas bom" e "diferente e ruim".

2. A Solução: O "Detetive de Incerteza"

O MURMURA usa um tipo especial de IA chamado Aprendizagem Profunda Evidencial. Pense nisso como dar a cada dispositivo um "medidor de confiança" que não apenas diz "acho que isso é caminhar", mas também diz: "Tenho 90% de certeza, e sei por que tenho certeza".

Esse medidor de confiança divide a incerteza em dois tipos:

A sensação de "Nunca vi isso antes" (Incerteza Epistêmica): Se um dispositivo analisa seus dados e diz: "Não faço ideia do que é isso porque fui treinado em coisas totalmente diferentes", isso é um sinal de alerta. Significa que o outro dispositivo é incompatível.
A sensação de "Este é um caso complicado" (Incerteza Aleatória): Se um dispositivo diz: "Isso parece caminhar, mas é uma caminhada estranha e trêmula, então não tenho 100% de certeza", isso é aceitável. Significa que os dados são apenas difíceis, não incompatíveis.

3. Como o MURMURA Funciona: O "Filtro de Confiança"

Veja o processo passo a passo que o MURMURA usa:

O Test Drive: Quando o Dispositivo A recebe um modelo do Dispositivo B, ele não o aceita apenas assim. Ele executa o modelo do Dispositivo B em suas próprias "questões de teste" locais (dados de validação).
A Verificação de Confiança: O Dispositivo A examina a pontuação de "Nunca vi isso antes" (Incerteza Epistêmica).
- Pontuação Alta: "Uau, este modelo está totalmente perdido com meus dados. Esta pessoa vem de um mundo diferente." -> Rejeitar.
- Pontuação Baixa: "Este modelo entende meus dados, mesmo que não seja perfeito." -> Confiar.
A Mistura Inteligente: O Dispositivo A só mistura seu próprio modelo com os modelos dos vizinhos "confiáveis". Ele ignora aqueles que não se encaixam.
Ficando Mais Rigoroso com o Tempo: No início do treinamento, todos estão confusos, então o MURMURA é permissivo e deixa muitos vizinhos entrar. À medida que o treinamento avança e os modelos ficam mais inteligentes, o "filtro de confiança" fica mais rigoroso, deixando entrar apenas os pares mais compatíveis.

4. Os Resultados: Por Que Isso Importa

Os autores testaram o MURMURA em três conjuntos de dados reais de dispositivos vestíveis (envolvendo atividades como caminhar, correr e monitoramento de frequência cardíaca). Eis o que descobriram:

Lida Melhor com o Caos: Quando os dados eram muito bagunçados e diferentes (não-IID), os métodos padrão colapsavam, perdendo cerca de 19% de sua precisão. O MURMURA perdeu apenas 0,9%. Mantive a calma enquanto os outros entravam em pânico.
Aprende Mais Rápido: Como filtra o "ruído" de vizinhos incompatíveis, ele converge (atinge seu desempenho máximo) 7,4 vezes mais rápido do que os métodos padrão. Isso significa menos drenagem de bateria e menos tempo esperando o modelo funcionar.
É Estável: Não precisou ser ajustado perfeitamente para funcionar. Se as configurações estavam ligeiramente erradas ou exatamente certas, ele performou consistentemente bem.

A Conclusão

O MURMURA é como uma rede social inteligente para seus dispositivos. Em vez de forçar todos a concordarem com uma única opinião "média", ele permite que cada dispositivo encontre sua própria "tribo" de vizinhos compatíveis. Ao usar um "medidor de incerteza" especial para detectar quem realmente entende seus dados locais, ele garante que cada dispositivo obtenha um modelo personalizado que funciona perfeitamente para ele, sem se confundir com o resto do mundo.

Resumo Técnico: MURMURA – Personalização de Modelos com Consciência de Confiança Baseada em Evidências em Aprendizado Federado Descentralizado

1. Declaração do Problema

O Aprendizado Federado Descentralizado (DFL) permite o treinamento colaborativo de modelos em dispositivos de borda sem um coordenador central, oferecendo resiliência contra pontos únicos de falha. No entanto, um desafio fundamental surge da heterogeneidade estatística (dados não-IID), onde as distribuições de dados locais variam significativamente devido à diversidade de usuários, posicionamento de sensores e contextos ambientais.

Essa heterogeneidade cria uma tensão: os nós requerem modelos personalizados para suas distribuições locais, mas uma colaboração ingênua com pares incompatíveis pode degradar o desempenho. As abordagens existentes enfrentam duas limitações primárias:

Imposição de Modelo Global: Métodos padrão frequentemente forçam um único modelo global que não se ajusta bem a nenhum nó específico.
Seleção de Pares Heurística: Os métodos atuais de DFL personalizado dependem de métricas de similaridade (por exemplo, distância de parâmetros, normas de gradiente) que não conseguem distinguir entre dissimilaridade prejudicial (distribuições de dados incompatíveis) e diversidade benéfica (dados de alta qualidade, mas diferentes). Além disso, as redes neurais padrão produzem apenas previsões sem indicar por que uma previsão foi feita, tornando impossível diferenciar entre um modelo que nunca viu dados semelhantes (par incompatível) e um que considera os dados inerentemente difíceis (par potencialmente valioso).

2. Metodologia: A Estrutura MURMURA

Os autores propõem o MURMURA, uma estrutura que aproveita o Aprendizado Profundo Baseado em Evidências (EDL) para permitir a personalização de modelos com consciência de confiança. A ideia central é que a incerteza epistêmica (incerteza devido à falta de conhecimento) indica diretamente a compatibilidade do par.

A. Quantificação de Incerteza Baseada em Evidências

O MURMURA substitui as saídas softmax padrão por modelos evidenciais baseados em Dirichlet. Esses modelos produzem valores de evidência que parametrizam uma distribuição de Dirichlet, permitindo a decomposição da incerteza em dois tipos distintos:

Incerteza Epistêmica ( $u$ ): Mede a falta de conhecimento sobre a distribuição de dados. Alta incerteza epistêmica sinaliza que o modelo não viu dados semelhantes durante o treinamento, indicando uma incompatibilidade de distribuição com o nó avaliador.
Incerteza Aleatória: Mede a ambiguidade inerente aos dados (por exemplo, leituras de sensores ruidosas ou transitórias). Alta incerteza aleatória não implica necessariamente incompatibilidade.

B. Mecanismo de Agregação com Consciência de Confiança

A estrutura opera através de um protocolo de treinamento descentralizado onde os nós decidem autonomamente com quais pares colaborar com base na avaliação cruzada:

Avaliação Cruzada: O nó $i$ avalia o modelo de um par $j$ em seus próprios dados de validação locais.
Classificação de Compatibilidade: Uma pontuação de confiança é calculada com base na precisão da previsão e, crucialmente, na incerteza epistêmica média.
- Se o modelo de um par exibir alta incerteza epistêmica nos dados locais, ele é considerado incompatível e excluído.
- Se a incerteza for baixa, o par é considerado compatível, independentemente de a previsão ter sido perfeita (distinguindo entre "dados desconhecidos" e "dados difíceis").
Limites Adaptativos: Os limites de confiança não são estáticos. Eles começam de forma mais flexível nas primeiras rodadas de treinamento (quando todos os modelos são incertos) e se tornam mais rigorosos de forma adaptativa à medida que os modelos convergem, prevenindo a rejeição prematura de pares.
Agregação Personalizada: Os nós agregam atualizações apenas de pares confiáveis, ponderadas por suas pontuações de confiança, mantendo ao mesmo tempo uma parte de seu modelo local (controlada por um parâmetro de auto-peso). Se nenhum par passar no limite, o nó mantém seu modelo local, garantindo uma degradação graciosa para o aprendizado isolado.

C. Arquitetura do Sistema

O MURMURA é implementado como uma estrutura modular em Python/PyTorch que suporta várias topologias de rede (anel, totalmente conectada, etc.). Ele separa a orquestração da rede da tomada de decisão no nível do nó, permitindo a avaliação sistemática de estratégias de personalização independentemente dos efeitos da topologia. Suporta simulação de heterogeneidade controlada via particionamento de Dirichlet e particionamento natural (por exemplo, por ID de sujeito).

3. Contribuições Principais

Primeira Integração de EDL em Personalização Descentralizada: O MURMURA é a primeira estrutura a combinar quantificação de incerteza baseada em evidências com personalização com consciência de confiança em cenários totalmente descentralizados, permitindo que os nós mantenham modelos personalizados através de colaboração seletiva em ambientes não-IID.
Algoritmo Adaptativo com Consciência de Confiança: Os autores desenvolveram um algoritmo de agregação que avalia a compatibilidade do par via avaliação cruzada em dados locais e aplica limites de confiança adaptativos que se tornam mais rigorosos à medida que o treinamento progride.
Estrutura Aberta e Extensível: O MURMURA é fornecido como uma estrutura de código aberto que suporta múltiplas topologias, métodos de agregação de base e avaliação sistemática sob variados níveis de heterogeneidade.
Eficiência Computacional: A abordagem calcula a incerteza com uma única passagem direta por avaliação, evitando a sobrecarga computacional pesada de métodos de ensemble ou dropout de Monte Carlo, enquanto fornece informações mais ricas do que estimativas pontuais.

4. Resultados Experimentais

A estrutura foi avaliada em três conjuntos de dados de IoT vestíveis: UCI HAR, PAMAP2 e PPG-DaLiA.

Robustez à Heterogeneidade: Sob alta heterogeneidade (Dirichlet $\alpha = 0.1$ ), o MURMURA reduziu significativamente a degradação de desempenho em comparação com as bases de referência. A queda de precisão das condições IID para não-IID foi de apenas 0,9% para o MURMURA, comparado a 19,3% para o FedAvg padrão.
Velocidade de Convergência: O MURMURA alcançou uma convergência 7,4× mais rápida (atingindo a precisão máxima em 4,0 rodadas) em comparação com o FedAvg (29,5 rodadas). Isso é atribuído à exclusão de atualizações ruidosas de pares incompatíveis.
Estabilidade: A estrutura manteve precisão estável através de diferentes escolhas de hiperparâmetros (por exemplo, auto-peso, limites de confiança), com desvios padrão abaixo de 1% para a maioria dos conjuntos de dados, reduzindo a necessidade de ajuste extensivo por dispositivo.
Redução de Variância: O MURMURA alcançou alta precisão média com menor variância entre os nós em comparação com o FedAvg, indicando que a personalização beneficia todos os nós, em vez de melhorar alguns à custa de outros.

5. Significado e Alegações

O artigo afirma que o MURMURA estabelece a incerteza baseada em evidências como uma base principial para personalização consciente de compatibilidade em ambientes descentralizados heterogêneos.

Distinção entre Incompatibilidade e Dificuldade: Ao separar a incerteza epistêmica da aleatória, a estrutura resolve o "problema de compatibilidade de pares", permitindo que os nós distinguam entre pares com distribuições de dados genuinamente incompatíveis e aqueles com dados desafiadores, mas compatíveis.
Tomada de Decisão Autônoma: Permite que nós totalmente descentralizados tomem decisões de compatibilidade principiais sem supervisão central ou dependência de métricas de similaridade heurísticas que confundem qualidade do modelo com diferenças de distribuição.
Viabilidade Prática: Os resultados sugerem que a agregação com consciência de confiança baseada em evidências é uma solução prática para dispositivos de IoT vestíveis com recursos limitados, oferecendo convergência mais rápida (reduzindo o uso de energia e largura de banda) e robustez à heterogeneidade extrema de dados sem exigir ajuste complexo de hiperparâmetros.

Os autores observam que, embora o MURMURA funcione bem, em cenários com variabilidade fisiológica extrema (por exemplo, PPG-DaLiA), a filtragem conservadora pode levar a um treinamento quase isolado quando existem poucos pares compatíveis. Eles sugerem que trabalhos futuros poderiam explorar mecanismos de confiança graduais para extrair valor de pares moderadamente compatíveis.