Anais do VII Workshop de Computação Urbana (CoUrb 2023)最新文献

筛选

英文中文

SafetyTracker - uma aplicação web para análise da periculosidade de rodovias do Brasil SafetyTracker -一个用于分析巴西道路危害的web应用程序

Anais do VII Workshop de Computação Urbana (CoUrb 2023) Pub Date : 2023-05-22 DOI: 10.5753/courb.2023.809

Victor Hugo Betoni, Júlia Teles Cruz, F. S. D. Vasconcellos, Paulo Eduardo Crystal, H. Silva, Tânia Basso

引用次数: 0

Algoritmo para Detecção de Itinerários do Transporte Público Usando Dados de GPS dos Ônibus 利用公交GPS数据检测公交路线的算法

Anais do VII Workshop de Computação Urbana (CoUrb 2023) Pub Date : 2023-05-22 DOI: 10.5753/courb.2023.739

J. Borges, Ricardo Lüders, Thiago H. Silva, Anelise Munaretto

引用次数: 0

ATHENA-FL: Evitando a Heterogeneidade Estatística através do Um-contra-Todos no Aprendizado Federado 雅典娜-FL:在联邦学习中通过一对一的方法避免统计异质性

Anais do VII Workshop de Computação Urbana (CoUrb 2023) Pub Date : 2023-05-22 DOI: 10.5753/courb.2023.717

Lucas Airam C. de Souza, Gustavo F. Camilo, Gabriel A. Fontes Rebello, Matteo Sammarco, M. Campista, L. Costa

{"title":"ATHENA-FL: Evitando a Heterogeneidade Estatística através do Um-contra-Todos no Aprendizado Federado","authors":"Lucas Airam C. de Souza, Gustavo F. Camilo, Gabriel A. Fontes Rebello, Matteo Sammarco, M. Campista, L. Costa","doi":"10.5753/courb.2023.717","DOIUrl":"https://doi.org/10.5753/courb.2023.717","url":null,"abstract":"O aprendizado federado é um novo paradigma que permite o treinamento de modelos de aprendizado de máquina através da colaboração entre clientes e um servidor de agregação. O treinamento dispensa o compartilhamento de dados privados, garantindo aos clientes privacidade de suas amostras. Entretanto, quando os clientes possuem distribuições de dados distintas, o treinamento apresenta dificuldades de convergência, resultando em erros preditivos no modelo final. Este artigo propõe um sistema de aprendizado federado que considera clientes com distribuições de dados heterogêneas e, mesmo assim, produz modelos acurados em menos épocas de treinamento do que o estado da arte. Os efeitos da heterogeneidade dos dados são mitigados através do agrupamento dos clientes baseado em uma estimativa da distribuição de dados através dos pesos da rede neural treinada localmente. Além disso, o sistema utiliza a técnica um-contra-todos, treina um detector para cada classe no sistema. Assim, grupos diferentes podem combinar os detectores a fim de formar um modelo capaz de detectar classes provenientes de outros grupos. Os resultados mostram que o modelo um-contra-todos possui alta capacidade de identificar corretamente as amostras e com acurácia até 18% maior do que o treinamento tradicional, com um baixo custo de comunicação durante o treinamento, reduzindo a quantidade de bytes transmitidos entre 59,6% até 94% em comparação à arquitetura MobileNet.","PeriodicalId":277232,"journal":{"name":"Anais do VII Workshop de Computação Urbana (CoUrb 2023)","volume":"47 3 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127226492","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 1

首页上一页