FedHome框架中结合交叉验证的采样方法比较研究
机器学习
2024-06-05 v1 人工智能
计算机与社会
摘要
本文针对专为个性化家庭健康监测设计的FedHome框架,对其内部的采样方法进行了比较研究。FedHome利用联邦学习(FL)和生成式卷积自编码器(GCAE)在去中心化的边缘设备上训练模型,同时优先保障数据隐私。该领域的一个显著挑战是健康数据中的类别不平衡,其中跌倒等关键事件代表性不足,对模型性能产生了不利影响。为解决这一问题,本研究使用分层K折交叉验证评估了六种过采样技术:SMOTE、Borderline-SMOTE、Random OverSampler、SMOTE-Tomek、SVM-SMOTE和SMOTE-ENN。这些方法在FedHome的公开实现上进行了200轮训练测试,分别结合和不结合分层K折交叉验证。研究结果表明,SMOTE-ENN实现了最一致的测试准确率,标准差范围为0.0167-0.0176,与其他采样器相比表现出稳定的性能。相比之下,SMOTE和SVM-SMOTE表现出更高的性能波动,其更宽的标准差范围分别为0.0157-0.0180和0.0155-0.0180。类似地,Random OverSampler方法显示出0.0155-0.0176的显著偏差范围。SMOTE-Tomek的偏差范围为0.0160-0.0175,也表现出较好的稳定性,但不及SMOTE-ENN。这一发现突显了SMOTE-ENN在提升FedHome框架内个性化健康监测系统可靠性和准确性的潜力。
引用
@article{arxiv.2406.01950,
title = {A Comparative Study of Sampling Methods with Cross-Validation in the FedHome Framework},
author = {Arash Ahmadi and Sarah S. Sharif and Yaser M. Banad},
journal= {arXiv preprint arXiv:2406.01950},
year = {2024}
}
备注
11 Figures