EnFed：面向资源受限环境的能源感知联邦学习方法用于人类动作识别
分布式、并行与集群计算
2026-05-19 v2
摘要
人类动作识别（HAR）和推荐应用要求隐私安全且准确的数据分析模型，同时具有较低的时间和能源消耗。使用联邦学习（FL）开发隐私感知的 HAR 模型是一项新兴的研究主题。然而，FL 过程中参与的移动设备可能因其有限的计算资源、连接中断和有限的电池寿命而减慢。为解决这些挑战，本文提出一种能源效率 FL 方法，称为 EnFed，并以 HAR 为案例研究。在 EnFed 中，需要模型的移动设备会对基于激励的附近设备提出请求。接受该激励的附近设备将其本地模型更新（即该应用的更新后的本地模型参数）发送给请求方设备。该设备在接收来自贡献者的本地模型更新后，对其进行聚合以构建全局模型，然后适合自身数据集以构建自己的本地模型。结果表明，使用 EnFed 可在更低的时间和能源消耗下获得准确的预测模型。实验结果显示，EnFed 实现了95%以上的预测准确率，并优于基线方法。EnFed 的响应时间比仅云端框架快超过90%。比较研究表明，EnFed 在现有 HAR 方法中表现优异。
引用
@article{arxiv.2412.00768,
title = {EnFed: An Energy-aware Federated Learning in Resource Constrained Environments for Human Activity Recognition},
author = {Anwesha Mukherjee and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2412.00768},
year = {2026}
}