RT Dissertation/Thesis
T1 Continual federated machine learning under concept drift
A1 Estévez Casado, Fernando
K1 federated learning
K1 continual learning
K1 machine learning
K1 concept drift
AB A aprendizaxe federada é un paradigma de aprendizaxe automática quepermite adestrar modelos de maneira distribuída, entre múltiples dispositivos, sen poñer en riscos a privacidade dosusuarios. O obxectivo desta tese é o de desenvolver novas estratexias de aprendizaxe federada que, mantendotódalas vantaxes que esta tecnoloxía xa proporciona, permitan tamén lidar con escenarios continuos, en situaciónsnon estacionarias suxeitas a derivas de concepto. As dúas contribucións máis importantes da tese son o métodoConcept-Drift-Aware Federated Averaging (CDA-FedAvg) e a arquitectura Ensemble and Continual FederatedLearning (ECFL). Por unha banda, CDA-FedAvg permite o adestramento de redes neuronais profundas demaneira federada e ao longo do tempo, sendo ademáis capaz de detectar derivas de concepto e adaptarse a elas.Por outra banda, ECFL propón que o modelo federado sexa un comité, de xeito que estea composto de múltiplesmodelos locais independentes, un por cliente. Isto permite levar a cabo o adestramento federado sen restriciónssobre o tipo de algoritmo de aprendizaxe a empregar, o que lle outorga á nosa proposta certa vantaxe en canto asimplicidade, flexibilidade e robustez. ECFL tamén está deseñada para aprender ao longo do tempo. Ademais, aolongo da tese avaliamos as nosas propostas teóricas en distintos casos de uso, incluíndo o recoñecemento daactividade humana en smartphones e a asistencia a usuarios en cadeiras de rodas robóticas.
YR 2022
FD 2022
LK http://hdl.handle.net/10347/29796
UL http://hdl.handle.net/10347/29796
LA eng
DS Minerva
RD 29 abr 2026