Aprendizado Federado Incremental e Sensível ao Risco para Modelos de Ranqueamento em Cenários com Distribuições Heterogêneas de Dados

Le résumé fourni par la source

Esta dissertação apresenta o FedRisk, uma abordagem inédita de Federated Learning to Rank (FLTR) projetada para enfrentar um dos desafios mais críticos dos Sistemas de Informação distribuídos: a agregação de modelos sob heterogeneidade e distribuições não independentes e não identicamente distribuídas (não-IID). A proposta integra um mecanismo de agregação sensível ao risco — capaz de ponderar as atualizações dos clientes de acordo com a variabilidade do erro de predição — a uma estratégia de estabilização baseada na incorporação de parâmetros globais históricos, promovendo maior robustez e estabilidade no processo de convergência federada. Experimentos extensivos no benchmark MSLR-WEB10K demonstram que o FedRisk supera abordagens federadas consolidadas, como o FedProx, alcançando ganho de 15,6% em nDCG@5 e desempenho equivalente ao treinamento centralizado em nDCG@10, além de reduzir substancialmente a variância ao longo das rodadas de comunicação. Para além dos ganhos empíricos, o trabalho apresenta uma formulação principiada de agregação sensível ao risco para FLTR, uma análise sistemática dos efeitos da heterogeneidade no ranqueamento federado e uma validação experimental abrangente em cenários distribuídos realistas. Ao integrar Recuperação de Informação, Aprendizado de Máquina Distribuído e princípios de privacidade e governança de dados, esta dissertação contribui para o avanço de Sistemas de Informação escaláveis, inteligentes e alinhados a requisitos regulatórios contemporâneos. Sua relevância científica foi reconhecida com o prêmio de Honra ao Mérito de Melhor Artigo Completo no SBBD 2025.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.