Aprendizagem Colaborativa em Sistemas Heterogêneos com Modelos Pré-Treinados

A natureza cada vez mais descentralizada e privada dos dados em nossa sociedade digital motivou o desenvolvimento de sistemas inteligentes personalizados e colaborativos que permitem a agregação de conhecimento entre múltiplos proprietários de dados, ao mesmo tempo em que acomodam a privacidade dos dados e as restrições dos sistemas. No entanto, a aprendizagem colaborativa foi investigada apenas em configurações simples e limitadas: cenários de tarefas isoladas onde a aprendizagem começa do zero e não se baseia em experiências anteriores; o modelo aprendido é representado em formas específicas de tarefas que não são generalizáveis para cenários emergentes e não vistos; e, mais frequentemente, assume-se uma representação universal do modelo entre os colaboradores, ignorando suas restrições computacionais locais ou representações de entrada. Isso limita sua praticidade em cenários de aprendizagem contínua com dados de tarefas limitados, que exigem adaptação contínua e transferência de conhecimento entre diferentes silos de informação, tarefas e modelos de aprendizagem, assim como a utilização de expertises de soluções anteriores. Para superar essas limitações, minha pesquisa tem se concentrado no desenvolvimento de estruturas de aprendizagem colaborativa efetivas e escaláveis, conscientes dos recursos, em sistemas heterogêneos.