Defesa de Dissertação de Mestrado – José Augusto Nogueira Florentino
Título do Trabalho: Mecanismo de segurança para aprendizagem federada com padronização de pesos
Resumo: O Aprendizado Federado (Federated Learning – FL) permite o treinamento colaborativo de modelos preditivos em ambientes descentralizados, mantendo os dados localmente nos dispositivos dos clientes. Apesar desse benefício estrutural, o FL enfrenta dois desafios centrais: a heterogeneidade estatística dos dados entre clientes (não-IID), que compromete a convergência global, e os riscos à privacidade decorrentes da exposição de gradientes durante a comunicação entre clientes e servidor central. Este trabalho propõe a integração entre o Federated Learning Algorithm with Weight Standardization on Convolutional Layers (FedWS) e a Privacidade Diferencial (Differential Privacy – DP) por meio do mecanismo DP-SGD. O FedWS atua como técnica de estabilização, reduzindo a divergência entre modelos locais em cenários não-IID, enquanto o DP-SGD fornece garantia formal de privacidade no nível de registro (record-level DP), por meio de clipping da norma L2 dos gradientes e adição de ruído gaussiano calibrado antes da transmissão ao servidor. A contabilidade do orçamento de privacidade é realizada via Moments Accountant. Os experimentos foram conduzidos nos conjuntos de dados MNIST, FMNIST e EuroSAT, sob cinco níveis de heterogeneidade (EMD ∈ {0; 0,37; 0,71; 1,08; 1,41}), com K = 100 clientes e fração de participação de 20% por rodada. Os resultados demonstram que a integração FedWS-DP atinge 89,57 ± 0,58% (MNIST), 69,18 ± 1,81% (FMNIST) e 68,57 ± 1,05% (EuroSAT) com orçamentos de privacidade ε entre 7,82 e 8,11, valores reportados como média ± desvio-padrão sobre cinco execuções com sementes aleatórias independentes. Em comparação controlada com o DP-FedAvg sem normalização, o FedWS-DP apresenta ganho positivo e consistente nas três bases: +5,46 pontos percentuais no MNIST, +3,41 no FMNIST e +1,37 no EuroSAT, com o mesmo orçamento de privacidade. A análise empírica também identifica que os limiares de clipping ótimos para o FedWS (C = 0,5 e C = 0,2) divergem dos valores tipicamente adotados em DP-SGD, condição necessária dado que os gradientes do FedWS apresentam ordens de magnitude inferiores às convencionais. Esses resultados demonstram a viabilidade operacional da integração entre estabilização estrutural e privacidade formal em Aprendizado Federado não-IID.
Banca Examinadora:
Carlos Alberto Vieira Campos, UNIRIO (http://lattes.cnpq.br/8020803376969953)
Sidney Cunha de Lucena, UNIRIO (http://lattes.cnpq.br/7099151449971406)
Jefferson Elbert Simões, UNIRIO (http://lattes.cnpq.br/6938694286834426)
Daniel Sadoc Menasche, 087096097-09, UFRJ (http://lattes.cnpq.br/9931198850020140)
Suplentes:
Guilherme de Melo Baptista Domingues, 025.888.927-60, UERJ (http://lattes.cnpq.br/3737857084552295)
Laura de Oliveira Fernandes Moraes, UNIRIO (http://lattes.cnpq.br/3138892444406479)
Data e Hora da Defesa: 22/09/2026 às 14:00
Local da Defesa: Presencial – UNIRIO
