NEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares

Este projeto gerou um artigo de pesquisa intitulado "NEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares", que foi publicado no Workshop CoUrb do SBRC 2025.

NEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares

Uma abordagem adaptativa para otimização do desempenho preditivo e da eficiência temporal em redes veiculares não estacionárias.

Visão Geral

O NEO (Nonstationary Environment Optimization) é um framework de aprendizado federado baseado em meta-learning dinâmico, que ajusta automaticamente o tamanho dos conjuntos de dados utilizados para pré-treinamento local em cada cliente. A proposta visa melhorar a capacidade de generalização e reduzir o tempo de convergência em cenários distribuídos e dinâmicos, como redes veiculares (VANETs).

Principais Contribuições

• ✅ Adaptação dinâmica do tamanho do meta-subset com base na perda local.
• ✅ Integração de Graph Neural Networks (GCN) com meta-learning federado.
• ✅ Simulação realista usando dados de sensores de tráfego (PeMS).
• ✅ Avaliação comparativa com abordagens tradicionais e meta-aprendizado fixo.

Estratégias Comparadas

• Baseline: Aprendizado Federado padrão com LSTM.

• FOMAML: Meta-Aprendizado Federado com pré-treinamento fixo.

• NEO (proposta): Meta-Aprendizado Federado com meta-subsets dinâmicos adaptados por perda.