Alocação Integrada de Recursos e Seleção de Clientes em Redes de Borda: Um Modelo Multi-objetivo para Aprendizado Federado

O Aprendizado Federado (AF) viabiliza o treinamento colaborativo de modelos de aprendizado de máquina preservando a privacidade dos dados. No entanto, sua implementação em redes com restrições de energia e heterogeneidade impõe desafios. Para lidar com o conflito entre consumo energético, tempo de convergência e desempenho, este trabalho propõe uma formulação de programação inteira mista (PIM) não linear multi-objetivo. A modelagem integra dois problemas fundamentais do AF: a seleção de clientes e a alocação de recursos (frequência de CPU), atuando de forma adaptativa com a evolução das rodadas de treinamento de aprendizado de máquina. O algoritmo evolutivo NSGA-II é utilizado para solucionar o problema. A proposta é validada empiricamente por meio de emulação de rede utilizando o MininetFed. Os resultados demonstram que a metodologia reduz o consumo de energia para cerca de 10% do exigido no treinamento padrão, mantendo a acurácia do modelo global em cenários IID e non-IID.