Será defendida no dia 27 de agosto de 2026, às 14:00 horas, por videoconferência, a Dissertação de Mestrado intitulada “Observabilidade Orientada por Dados de Proveniência com Intervenção Humana para Workflows de Aprendizado Federado”, da candidata ao título de Mestre em Computação – Janaina Borges de Sousa.

Link para defesa: https://meet.google.com/gbx-iuvf-piu

Observabilidade Orientada por Dados de Proveniência com Intervenção Humana para Workflows de Aprendizado Federado

Resumo:

Federated Learning (FL) permite o treinamento colaborativo de modelos de Machine Learning (ML) entre múltiplos clientes distribuídos, preservando a localidade dos dados por meio de um workflow bem definido. Contudo, a natureza descentralizada da execução de FL dificulta a observabilidade desses workflows e, por consequência, o diagnóstico de desempenho, a interpretação dos resultados de treinamento e análises correlatas. Soluções de observabilidade existentes costumam ser dependentes de framework, baseando-se em logs de execução ou em telemetria proprietária que restringem a interoperabilidade e a análise entre diferentes plataformas. Defendemos que a proveniência constitui uma espinha dorsal para a observabilidade em FL, ao capturar a semântica de execução necessária para consulta, análise e exploração com intervenção humana. Apresentamos a FedObserve, uma abordagem de observabilidade orientada por proveniência que integra captura de proveniência em tempo de execução, um modelo de proveniência unificado e análises visuais interativas. A FedObserve registra dados de proveniência a nível de workflow, rodada e cliente, independentemente do framework subjacente de FL, permitindo que execuções heterogêneas sejam analisadas por meio de uma representação comum. As capacidades de visualização de proveniência suportam análises em diferentes granularidades das trilhas de execução, participação de clientes, evolução do modelo, convergência e desempenho, possibilitando que profissionais inspecionem e diagnostiquem iterativamente o comportamento do FL. Avaliamos a FedObserve por meio de um workflow de FL para detecção de outliers em grandes conjuntos de dados astronômicos. Um estudo com especialistas em FL demonstra que a FedObserve facilita a identificação de gargalos de execução, padrões de participação de clientes, heterogeneidade espacial e comportamento de convergência. Esses resultados indicam que a observabilidade orientada por proveniência com intervenção humana aprimora a rastreabilidade, a interpretabilidade e o diagnóstico de workflows de FL, além de viabilizar o monitoramento independente de framework.

Abstract:

Federated Learning (FL) enables collaborative Machine Learning (ML) model training across multiple distributed clients while preserving data locality through a well-defined workflow. However, the decentralized nature of FL execution complicates workflow observability and, consequently, performance diagnosis, the interpretation of training outcomes, and related analyses. Existing observability solutions are typically framework-specific, relying on execution logs or proprietary telemetry that limit interoperability and cross-framework analysis. We argue that provenance provides a data backbone for FL observability by capturing execution semantics for querying, analysis, and human-in-the-loop exploration. We present FedObserve, a provenance-driven observability framework that integrates runtime provenance capture, a unified provenance model, and interactive visual analytics. FedObserve captures workflow-, round-, and client-level provenance data independently of the underlying FL framework, enabling heterogeneous executions to be analyzed through a common representation. Its provenance visualization capabilities support multi-granularity analysis of execution traces, client participation, model evolution, convergence, and performance, allowing practitioners to iteratively inspect and diagnose FL behavior. We evaluate FedObserve using a FL workflow for outlier detection in large astronomical datasets. A user study with FL experts demonstrates that FedObserve supports identifying execution bottlenecks, client participation patterns, spatial heterogeneity, and convergence behavior. These results show that provenance-driven, human-in-the-loop observability improves the traceability, interpretability, and diagnosis of FL workflows while enabling framework-independent monitoring.

Banca examinadora:

Prof. Marcos de Oliveira Lage Ferreira, UFF – Presidente

Prof. Daniel Cardoso Moraes de Oliveira, UFF

Profa. Maria Cristina Silva Boeres, UFF

Prof. João Lucas Rulff da Costa, FGV