Simulación de sistemas de federated learning en redes móviles 5G
Professor Advisor
dc.contributor.advisor
Castro Rojas, Alberto
Author
dc.contributor.author
Pavez Collado, José Omar Antonio
Associate professor
dc.contributor.other
Azurdia Meza, César
Associate professor
dc.contributor.other
Sandoval Arenas, Jorge
Admission date
dc.date.accessioned
2023-05-12T14:23:11Z
Available date
dc.date.available
2023-05-12T14:23:11Z
Publication date
dc.date.issued
2023
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/193429
Abstract
dc.description.abstract
El aprendizaje federado permite el entrenamiento colaborativo de modelos de machine
learning entre una gran cantidad de dispositivos sin la necesidad de compartir sus datos a un
servidor central. Esto se puede mediante el entrenamiento local de modelos en cada cliente,
los cuales se envían a un servidor para ser integrados a un modelo global. Este método de
aprendizaje se utiliza para aplicaciones en los que se requiere mantener la privacidad de los
datos, por ejemplo al entrenar modelos con datos personales del smartphone de un usuario.
También se utiliza cuando se tiene una gran cantidad de datos para realizar un entrenamiento
eficiente utilizando la capacidad computacional de los mismos clientes. Por otro lado, las redes
5G permiten la comunicación en tiempo real con un gran ancho de banda, lo que tiene diversas
aplicaciones en internet de las cosas (IoT), inteligencia artificial, etc.
Sin embargo, el diseño, la implementación y el desarrollo de pruebas de estos sistemas
posee grandes desafíos. Debido a que se necesita una gran cantidad de clientes para entrenar
estos modelos, hacer pruebas con dispositivos físicos en la etapa de prototipado para diseñar
una red puede ser costoso, lento y hasta inviable.
En este trabajo se propone la simulación de sistemas de aprendizaje federado considerando
dos aspectos de simulación principales. En primer lugar, una simulación de red 5G desde la
capa física en adelante. Y en segundo lugar, una simulación del entrenamiento de los modelos
de aprendizaje federado utilizando librerías de machine learning, como si fuesen entrenados
en esta red simulada. Con respecto a los resultados obtenidos, se establece un clasificador de
imágenes para el CIFAR-10 el cual se quiere entrenar y se ponen a prueba tres casos distintos
de red a simular. Se muestra que la inestabilidad y perdida de paquetes tiene un mayor efecto
negativo en el rendimiento de la red que la congestión.
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States