Resumo Técnico: Adaptação de Domínio sob Restrições de Redes Sem Fio

Declaração do Problema

A implantação de modelos baseados em dados em redes sem fio 6G enfrenta desafios significativos devido a mudanças frequentes de distribuição causadas pelo dinamismo ambiental (ex: mobilidade do usuário, modelos de canal, padrões de tráfego). Embora a Adaptação de Domínio Não Supervisionada (UDA) ofereça um mecanismo para adaptar modelos de um domínio de origem rotulado para um domínio de destino não rotulado sem a necessidade de rotulagem de campo dispendiosa, os pipelines de UDA são inerentemente mais complexos do que o treinamento de tarefa única.

O problema central abordado é se os benefícios da UDA justificam seus custos computacionais e de otimização adicionais do ponto de vista energético. Especificamente, os autores investigam:

1. A UDA acarreta um custo energético superior ao treinamento do zero (Classificação Independente, IC)?
2. Como a relação entre o consumo de energia e os custos de rotulagem se compara entre UDA e o retreinamento?
3. Sob quais condições (especificamente, o número de domínios de destino) a UDA torna-se a escolha mais "verde" (mais eficiente energeticamente)?

Esta investigação é crítica para o 6G, onde os modelos devem ser leves, suportar retreinamento rápido e alinhar-se com metas de sustentabilidade, embora a literatura existente careça de comparações empíricas do consumo de energia da UDA versus o retreinamento padrão em séries temporais.

Metodologia

1. Estimativa de Energia e Pegada de Carbono

O estudo quantifica o consumo de energia em todo o ciclo de vida da IA (coleta de dados, pré-processamento, treinamento, validação, inferência e monitoramento). A energia ($E$) é medida em kWh e convertida em pegada de carbono ($CF$) usando a fórmula:
$$CF = CI \times PUE \times E$$
onde $CI$ é a intensidade de carbono da rede local e $PUE$ é a Eficácia do Uso da Energia da infraestrutura. Ferramentas como o CodeCarbon são utilizadas para a contabilidade de ponta a ponta.

2. Modelos de Custo Comparativo

Os autores definem três estratégias para adaptar um modelo de origem ($S$) a $N$ domínios de destino ($T_1, \dots, T_N$):

• Classificação Independente (IC): Um modelo supervisionado separado é treinado do zero para cada domínio de destino. Isso acarreta um custo de rotulagem ($E_{label}$) e o custo computacional total para cada domínio.
• UDA – Adaptação Sequencial (UDA-S): O modelo de origem é treinado uma vez. Ele é então adaptado independentemente para cada domínio de destino sem rótulos.
• UDA – Adaptação Conjunta Multi-Alvo (UDA-J): O modelo de origem é adaptado uma vez para todos os $N$ domínios de destino simultaneamente em uma única execução conjunta.

3. Análise de Ponto de Equilíbrio (Break-Even)

A principal contribuição analítica é a derivação do número de alvos de equilíbrio ($N^*$), definido como o número mínimo de $N$ onde uma estratégia de UDA se torna mais eficiente energeticamente do que a IC.

• Para UDA-S: $N^*_S = \frac{E_{source}}{E_{ind} - E_{adapt}}$
• Para UDA-J: $N^*_J = \frac{E_{source} + E_{adapt,joint}}{E_{ind}}$

Onde $E_{source}$ é o custo de treinamento do modelo de origem, $E_{ind}$ é o custo do treinamento independente por domínio, e $E_{adapt}$ é o custo da adaptação.

4. Configuração Experimental

• Datasets: Devido à falta de datasets de séries temporais de UDA sem fio de código aberto, os autores utilizaram benchmarks de domínios adjacentes exibindo mudanças de distribuição semelhantes: Reconhecimento de Atividade Humana (HAR, HHAR, WISDM), Movimentos de Esportes/Vida Diária e Diagnóstico de Falhas Mecânicas (CWRU).
• Algoritmos: O estudo compara várias abordagens de UDA (alinhamento adversarial, minimização de discrepância, aprendizes de representação fortes) contra uma linha de base InceptionTime.
• Restrições: Para garantir uma comparação justa, um orçamento de tempo fixo foi imposto para o ajuste de hiperparâmetros e treinamento em todos os métodos, simulando restrições de implantação realistas onde os recursos são limitados.
• Métricas: O consumo de energia (kWh) e a acurácia da classificação foram medidos por estágio do pipeline (pré-processamento, ajuste, treinamento, predição, pontuação).

Principais Resultados

1. Distribuição de Energia do Pipeline

O estágio de ajuste (busca de hiperparâmetros) domina o consumo de energia, representando a maior parte do custo total e da variância, seguido pelo estágio de treinamento. O pré-processamento e a inferência são insignificantes em comparação (ordens de magnitude menores).

2. Eficiência Algorítmica

• Menor Energia: Inception-DANN, Raincoat e CoDATS demonstraram o menor consumo de energia mediana (abaixo de $10^{-2}$ kWh).
• Alta Variância: O CoTMix apresentou alta variância na convergência, levando a um amplo intervalo interquartil no uso de energia.
• Compromissos (Trade-offs): Sob o orçamento restrito, o Raincoat ofereceu o melhor equilíbrio entre baixo custo e robustez de acurácia, enquanto o InceptionRain forneceu a melhor acurácia entre os métodos de UDA baseados em Inception.

3. Fenômeno de Ponto de Equilíbrio (Break-Even)

A análise revela que a UDA se torna energeticamente eficiente com um número de domínios de destino notavelmente baixo:

• Adaptação Conjunta (UDA-J): Atinge o ponto de equilíbrio em $N \approx 1.0 - 1.4$ domínios de destino. Isso implica que adaptar-se a um único alvo conjunto é frequentemente suficiente para amortizar o custo de treinamento da origem.
• Adaptação Sequencial (UDA-S): Atinge o ponto de equilíbrio em $N \approx 1 - 2$ domínios de destino.
• Impacto dos Custos de Rotulagem: Quando o custo de rotulagem ($E_{label}$) é fatorado, a curva da Classificação Independente (IC) diverge abruptamente. Em cenários onde os rótulos de destino não estão disponíveis ou são caros, a UDA é estritamente preferível desde o primeiro domínio de destino ($N \ge 1$).

Significância e Alegações

O artigo afirma fornecer a primeira investigação empírica sobre a eficiência energética da UDA versus o retreinamento para classificação de séries temporais em configurações realistas. Suas principais contribuições são:

1. Definição do "Regime Verde": O estudo estabelece que a UDA não é inerentemente mais cara; pelo contrário, ela se torna a escolha "mais verde" quase imediatamente (após 1–2 domínios de destino) em comparação ao treinamento do zero, especialmente quando os custos de rotulagem são considerados.
2. Diretrizes Operacionais: Oferece diretrizes práticas para a implantação 6G, sugerindo que a Adaptação Conjunta Multi-Alvo (UDA-J) deve ser preferida sempre que viável, pois atinge os limiares de eficiência mais cedo do que a adaptação sequencial.
3. Sustentabilidade na IA Sem Fio: O trabalho ressalta que, para o 6G atingir suas metas de sustentabilidade, os modelos de IA devem ser avaliados não apenas pela acurácia, mas por sua pegada energética de ciclo de vida completo, particularmente em ambientes dinâmicos onde o retreinamento frequente é necessário.

Os autores mantêm uma postura modesta, observando que suas descobertas baseiam-se em benchmarks específicos e orçamentos restritos. Eles sugerem que trabalhos futuros devem expandir para datasets mais diversos e desenvolver métricas de validação não supervisionadas para reduzir ainda mais os custos de ajuste.