CDFL：基于对比学习和深度聚类实现的高效联邦人体活动识别
机器学习
2024-07-18 v1 计算机视觉与模式识别
摘要
在普及计算领域，人体活动识别（HAR）对于通过来自多种传感器的数据自动化和智能识别人类动作至关重要。然而，传统机器学习方法通过聚合中心服务器上的数据和集中处理会导致计算密集，并引发隐私问题。联邦学习（FL）通过在多个设备上协作训练全局模型，交换本地模型参数而非本地数据，成为解决这一问题的一种方法。然而，在现实环境中，设备上的传感器数据是非独立同分布（Non-IID）的，这意味着大多数设备记录的活动数据稀疏，每个客户的传感器数据分布可能不一致。结果是，异构环境下的典型 FL 框架因全局模型目标偏离全局目标而导致收敛缓慢和性能差。大多数应用于 HAR 的 FL 方法要么设计为不考虑 Non-IID 问题的过于理想情景，要么存在隐私和可扩展性问题。本工作针对上述挑战，提出了 CDFL—a 一个面向图像-based HAR 的高效联邦学习框架。CDFL 有效地通过对比学习和深度聚类选择一组代表性的隐私保留图像，通过选择有效客户进行全局模型更新来减少通信开销，并通过训练隐私保留数据来提高全局模型质量。我们在三个公开数据集上进行的全面实验表明，CDFL 在性能、收敛速度和带宽使用方面均优于最先进的方法，分别包括 Stanford40、PPMI 和 VOC2012。
引用
@article{arxiv.2407.12287,
title = {CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering},
author = {Ensieh Khazaei and Alireza Esmaeilzehi and Bilal Taha and Dimitrios Hatzinakos},
journal= {arXiv preprint arXiv:2407.12287},
year = {2024}
}