Reducing Costs Using Normalization in Federated Learning in Heterogeneous Data Distributions

Vieira, Flávio

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Campos, Carlos Alberto Vieira
dc.contributor.author	Vieira, Flávio
dc.date.accessioned	2026-05-12T20:11:38Z
dc.date.available	2026-05-12T20:11:38Z
dc.date.issued	2024-04-01
dc.identifier.citation	VIEIRA, Flávio. Reducing Costs Using Normalization in Federated Learning in Heterogeneous Data Distributions. 70f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2024.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15112
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	English	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Reducing Costs Using Normalization in Federated Learning in Heterogeneous Data Distributions	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Campos, Carlos Alberto Vieira
dc.contributor.referee	Carvalho, Aline Marins Paes
dc.contributor.referee	Menasché, Daniel Sadoc
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Federated Learning	pt_BR
dc.subject.en	Data Normalization	pt_BR
dc.subject.en	Distributed Machine Learning	pt_BR
dc.subject.en	Data Heterogeneity	pt_BR
dc.subject.en	Cost Optimization	pt_BR
dc.description.abstracten	This dissertation investigates methods to reduce operational and computational costs in Federated Learning (FL), specifically in environments where data distribution among participating devices is heterogeneous (non-IID). The work proposes the use of normalization techniques as a strategy to accelerate the convergence of the global model and mitigate the effects of weight divergence caused by local data disparity. Through exhaustive experiments, the research demonstrates that proper normalization not only improves the final accuracy of the model but also significantly reduces the number of communication rounds required between clients and the central server, making the training process more efficient and cost-effective.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta dissertação investiga métodos para reduzir os custos operacionais e computacionais no Aprendizado Federado (FL), especificamente em ambientes onde a distribuição de dados entre os dispositivos participantes é heterogênea (não-IID). O trabalho propõe o uso de técnicas de normalização como uma estratégia para acelerar a convergência do modelo global e mitigar os efeitos da divergência de pesos causada pela disparidade dos dados locais. Através de experimentos exaustivos, a pesquisa demonstra que a normalização adequada não apenas melhora a acurácia final do modelo, mas também reduz significativamente o número de rodadas de comunicação necessárias entre os clientes e o servidor central, tornando o processo de treinamento mais eficiente e econômico.	pt_BR
dc.subject.pt	Aprendizado Federado	pt_BR
dc.subject.pt	Normalização de Dados	pt_BR
dc.subject.pt	Aprendizado de Máquina Distribuído	pt_BR
dc.subject.pt	Heterogeneidade de Dados	pt_BR
dc.subject.pt	Otimização de Custos	pt_BR