EVENTO
Private and Secure Federated Learning Protocol Based on Assymmetric DC-Nets
Tipo de evento: Seminário de Avaliação - Série A
Os grandes avanços nas tecnologias computacionais e de comunicação das últimas décadas trouxeram consigo um rápido crescimento e difusão da mais variada sorte de dispositivos interconectados, fazendo troca de informações de maneira constante. Uma grande parte destes dados gerados é usado para o treinamento de modelos de aprendizagem de máquina. Isto traz consigo desafios no que tange à proteção de dados sensíveis e privados, já que os dados podem conter, por exemplo, informações médicas, sobre consumo, ou financeiras. Neste cenário, o aprendizado federado já posa como uma conhecida técnica que resolve, ao menos parcialmente, tais problemas, já que mesmo que apenas os gradientes dos modelos locais sejam compartilhados com o servidor central, há ataques que conseguem reconstruir os dados dos usuários. Neste trabalho propomos um modelo de aprendizado federado combinado a DC-Nets assimétricas, ampliando a camada de proteção conferida pela técnica.Evento HíbridoLocal: Auditório ALink de Transmissão: meet.google.com/wwa-hzwe-vpa
Data Início: 30/09/2025 Hora: 09:00 Data Fim: 30/09/2025 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Aluno: Paulo Ricardo Borré Reis - -
Orientador: Fábio Borges de Oliveira - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Nadia Nedjah - Universidade Estadual do Rio de Janeiro - UERJ Renato Portugal - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Allan Jonathan da Silva - LNCC/MCTI -
