人类感知中的联邦学习综述
机器学习
2025-01-08 v1 人机交互
摘要
人类感知是一项利用技术来监控人类活动、心理生理状态以及与环境的互动的领域，从而增强我们对人类行为的理解，并驱动开发提升生活品质的高级服务。然而，其对详细且常常涉及隐私敏感数据的机器学习(ML)模型的依赖引发了重大的法律和伦理关切。最近提出的联邦学习(FL)方法承诺能在不将原始用户数据发送到中央服务器的情况下创建准确的ML模型。尽管FL在文本预测和网络安全等多个领域已显示其有用，但在人类感知领域的优势仍未得到充分探索，由于该领域的特殊挑战。本综述对当前在人类感知中应用FL的前沿研究进行全面分析，提出一种分类法和八维评估标准。通过八维评估，我们评估了所调查研究是否考虑联邦学习在人类感知中的特定挑战。最后，基于整体分析，我们讨论了开放性挑战，并突出了联邦学习在人类感知中需要紧急关注的五个研究方面。我们的工作提供了联邦学习研究的全面文献库，旨在帮助联邦学习实践者开发和评估有效应对人类感知真实复杂性的解决方案。
引用
@article{arxiv.2501.04000,
title = {A Survey on Federated Learning in Human Sensing},
author = {Mohan Li and Martin Gjoreski and Pietro Barbiero and Gašper Slapničar and Mitja Luštrek and Nicholas D. Lane and Marc Langheinrich},
journal= {arXiv preprint arXiv:2501.04000},
year = {2025}
}