No abstract

No abstract

In this paper, we propose a sampling mechanism for adaptive diffusion networks that adaptively changes the amount of sampled nodes based on mean-squared error in the neighborhood of each node. It presents fast convergence during transient and a significant reduction in the number of sampled nodes in steady state. Besides reducing the computational cost, the proposed mechanism can also be used as a censoring technique, thus saving energy by reducing the amount of communication between nodes. We also present a theoretical analysis to obtain lower and upper bounds for the number of network nodes sampled in steady state.

Agradeço ao meu orientador, Prof. Dr. Magno Teófilo Madeira da Silva, pela constante dedicação, apoio e motivação. Obrigado por estar sempre presente, da concepção deste trabalho à sua conclusão.Ao meu coorientador, Prof. Dr. Renato Candido, que foi essencial para que este trabalho se tornasse o que é. Obrigado pelas conversas estimulantes, pelas observações sempre pertinentes e por todo o auxílio ao longo do caminho.Aos membros da banca examinadora, Prof. Dr. Denis Fantinato e Prof. Dr. Wallace Martins, pela leitura cuidadosa da dissertação e pelas contribuições enriquecedoras para este trabalho.Aos meus pais, Paulo e Virgínia, por todo o amor, dedicação e paciência e por despertarem em mim, desde cedo, o amor por essa coisa que chamamos "ciência". À minha namorada, Bruna, por todo o carinho, compreensão e companheirismo, por todos os risos compartilhados e, sobretudo, pelo amor.A todos os meus amigos, que ajudaram imensamente (e talvez sem saber) na elaboração deste trabalho ao tornarem a vida mais leve.A todos os professores que foram parte da minha formação, por contribuírem para o meu crescimento pessoal e acadêmico. À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e ao Conselho Nacional de Pesquisa e Desenvolvimento (CNPq), pelo financiamento. RESUMO TIGLEA, Daniel Gilio. Um algoritmo adaptativo de baixo custo computacional para amostragem e censura em redes de difusão / D. G. Tiglea. 97f. São Paulo, 2020Nos últimos anos, redes de difusão adaptativas e filtros adaptativos baseados em grafos se tornaram tópicos de forte interesse na comunidade de processamento de sinais. As redes de difusão adaptativas se consolidaram na literatura como ferramentas interessantes para o processamento distribuído de sinais, apresentando vantagens em relação a soluções centralizadas e a outras técnicas de difusão. Os filtros adaptativos baseados em grafos, por sua vez, vêm ganhando notoriedade por sua capacidade de lidar com situações em que há grandes quantidades de dados relacionados entre si por meio de estruturas irregulares. Em ambos os casos, foram propostas técnicas para reduzir a quantidade de informação medida e transmitida ao longo das redes, o que possibilita reduzir o custo computacional e o consumo energético. Tais técnicas em geral afetam o desempenho das soluções originais, mas são importantes por prolongar a vida útil das redes. Neste trabalho, é proposto um mecanismo adaptativo de amostragem para soluções adaptativas difusas e baseadas em grafos. O algoritmo de amostragem proposto utiliza mais nós quando a magnitude do erro ao longo da rede é elevada e menos nós caso contrário. Dessa forma, alcança-se uma redução significativa em termos de custo computacional ao mesmo tempo em que o impacto no desempenho é mitigado. Mostra-se ainda que, com uma pequena modificação, ele pode ser utilizado para reduzir a quantidade de transmissões entre nós, possibilitando uma economia em termos energéticos. Além disso, é apresentada uma análise teórica acerca do mecanismo proposto, que possibilita uma melhor...

Resumo-Neste artigo, redes neurais perceptron multicamada são utilizadas para classificar arritmias cardíacas com uma abordagem distribuída. Os dados de treinamento são divididos entre redes que se comunicam por meio de uma determinada topologia, sem que uma rede tenha acesso aos dados de treinamento das outras. Essa abordagem é empregada para garantir a privacidade dos dados dos pacientes. Para obter um resultado clinicamente realista, dados de um mesmo paciente não são considerados concomitantemente nos conjuntos de treinamento e teste. Simulações indicam que o desempenho obtido com o treinamento distribuído e uma topologia adequada é semelhante ao observado com o treinamento clássico.Palavras-Chave-Redes neurais artificiais, perceptron multicamada, processamento distribuído, topologia, arritmias cardíacas.