面向跨国情绪推断的联邦学习评估：基于智能手机感知数据的实践
机器学习
2026-02-18 v1
摘要
情绪不稳定是精神健康的关键行为指标，但传统评估依赖于不频繁且事后回顾的报告，无法捕捉其持续性。基于智能手机的移动感知技术实现了对日常行为的被动、野外情绪推断；然而，大规模部署仍面临隐私限制、感知可用性不均和行为模式差异大的挑战。本文研究了在跨国联邦学习设置下使用智能手机感知数据进行情绪推断的情景，其中每个国家作为独立客户端保留本地数据。我们引入FedFAP，即一种面向异构感知模态跨区域的特征感知个性化联邦框架。跨地理和文化多样化人群的评估显示，FedFAP实现了0.744的AUROC，优于集中方法和现有个性化联邦基线。除了推断，我们的结果为情绪感知系统的设计提供了见解，表明population-aware个性化和隐私保留学习如何实现可扩展且情绪感知的移动感知技术。
引用
@article{arxiv.2602.15478,
title = {Evaluating Federated Learning for Cross-Country Mood Inference from Smartphone Sensing Data},
author = {Sharmad Kalpande and Saurabh Shirke and Haroon R. Lone},
journal= {arXiv preprint arXiv:2602.15478},
year = {2026}
}
备注
21 pages, 6 figure