Busca avançada
Ano de início
Entree

Aprendizado de máquina profundo federado para cidades inteligentes habilitadas para Internet das Coisas

Processo: 20/14771-2
Modalidade de apoio:Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
Vigência (Início): 01 de dezembro de 2020
Vigência (Término): 30 de setembro de 2022
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Acordo de Cooperação: MCTI/MC
Pesquisador responsável:Carlos Alberto Kamienski
Beneficiário:Fabíola Martins Campos de Oliveira
Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
Vinculado ao auxílio:15/24485-9 - Internet do futuro aplicada a cidades inteligentes, AP.TEM
Assunto(s):Cidades inteligentes   Sistemas distribuídos   Computação em nuvem   Qualidade de vida urbana   Aprendizado computacional   Aprendizagem profunda
Palavra(s)-Chave do Pesquisador:Aprendizado profundo | Cidades Inteligentes | Sistemas Distribuídos

Resumo

Recursos da nuvem e névoa combinados com sensores e dispositivos da Internet das Coisas em cidades urbanas e fazendas podem melhorar a qualidade de vida de cidadãos e construir sociedades inteligentes através da digitalização e automação de processos atualmente manuais. Em cidades e fazendas inteligentes, sensores geralmente produzem uma vasta quantidade de dados, que necessitam de técnicas de big data e de aprendizado de máquina profundo para serem adequadamente processados, obtendo conhecimento sobre a cidade ou fazenda e melhorando a tomada de decisão. Não obstante, esses dados são geralmente produzidos em dispositivos diferentes. Considerando a infraestrutura de rede, o processamento desses dados apresenta alta latência e maior transmissão de dados. Além disso, como o processamento de redes neurais pode ser custoso quando executado em dispositivos com restrições como consumo de energia, poder computacional e memória, diferentes níveis na hierarquia da névoa podem ser considerados para oferecer melhor desempenho e não prejudicar a rede de comunicação. Assim, neste projeto, o objetivo é desenvolver um arcabouço para aprendizado de máquina profundo federado considerando os diferentes níveis da névoa para agregação de modelo em aplicações de cidades inteligentes e também verificar a viabilidade desse arcabouço em aplicações de agricultura inteligente. Modelaremos uma camada de aprendizado de máquina profundo para cada camada da arquitetura dispositivos - névoa - nuvem, de forma que cada camada execute sua porção respectiva do algoritmo de aprendizado profundo: treinamento e/ou inferência. Para este propósito, algoritmos de otimização serão executados considerando as características dos diferentes níveis da névoa e dos dispositivos. Esse arcabouço será utilizado para auxiliar pesquisas relacionadas a aprendizado de máquina profundo que serão desenvolvidas tanto pela bolsista quanto por pesquisadores da Universidade Federal do ABC e da Universidade Estadual de Campinas. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DE OLIVEIRA, FABIOLA MARTINS CAMPOS; BITTENCOURT, LUIZ FERNANDO; KAMIENSKI, CARLOS ALBERTO; BORIN, EDSON. PANCODE: Multilevel Partitioning of Neural Networks for Constrained Internet-of-Things Devices. IEEE ACCESS, v. 11, p. 20-pg., . (15/24485-9, 20/14771-2, 13/08293-7, 14/50937-1)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.