Aprendizagem federada com eficiência de comunicação para reconhecimento de objetos visuo-táteis

Resumo

Com o avanço crescente da tecnologia e de sensores dedicados, a Interação Humano-Robô (IHR) tem aprimorado significativamente suas capacidades. Os robôs agora podem coletar e integrar informações de várias fontes, possibilitando interações menos traumáticas psicologicamente para os humanos. Enquanto os humanos podem identificar objetos de forma instantânea e precisa, apesar de observações parciais causadas por oclusão ou variações na pose dos objetos, os robôs devem depender de processamento sensorial avançado e integração de dados. Considerando o treinamento de tais modelos com informações descentralizadas, cada parte de dados pode ser tratada como um cliente no paradigma de Aprendizado Federado. O Aprendizado Federado, uma abordagem de aprendizado de máquina, permite o treinamento de modelos em dados descentralizados, o que pode aprimorar o modelo geral, mas também enfrenta um grande desafio: a comunicação de dados entre os clientes e o servidor central. Essa comunicação deve garantir a transferência oportuna de dados e manter a privacidade das informações. Esta proposta visa desenvolver uma estrutura de aprendizado federado eficiente em comunicação para reconhecimento de objetos visuo-hápticos, aproveitando tanto dados visuais quanto táteis para aprimorar as capacidades de reconhecimento de objetos, ao mesmo tempo que aborda a sobrecarga de comunicação inerente aos sistemas de aprendizado federado. Uma metodologia exploratória é empregada para avaliar o potencial do aprendizado federado na detecção de anomalias e para melhorar a eficiência da comunicação. A pesquisa utiliza uma estrutura experimental para avaliar várias configurações de modelos, ajustando fatores como arquitetura do modelo, parâmetros de treinamento e características do conjunto de dados, com foco na análise quantitativa usando métricas como precisão, recall e F1-score para fornecer evidências empíricas da eficácia do modelo. Esta pesquisa oferece benefícios significativos para áreas onde a sensibilidade dos dados é crítica, identificando fatores-chave que influenciam o desempenho do modelo e fornecendo insights estratégicos para otimização.