智能手机上人体活动识别的联邦学习算法评估与比较
机器学习
2022-11-01 v1
摘要
普适计算推动智能设备融入我们的生活空间，以开发为人们提供辅助的服务。此类智能设备日益依赖基于云的机器学习，这在安全性（数据隐私）、可靠性（延迟）和通信成本方面引发了问题。在此背景下，联邦学习（FL）作为一种增强本地设备使用的新机器学习范式被提出。在服务器端，FL 聚合在分布式客户端上本地学习的模型以获得更具通用性的模型。如此，私有数据不会通过网络发送，且通信成本得以降低。然而，遗憾的是，最流行的联邦学习算法已被证明不适用于某些高度异构的普适计算环境。本文中，我们提出一种称为 FedDist 的新 FL 算法，它可通过识别客户端间神经元的不相似性，在训练期间修改模型（此处为深度神经网络）。这能在不损害泛化能力的前提下考虑客户端的特异性。FedDist 在三个大型异构移动人体活动识别数据集上与三种最先进的联邦学习算法进行了评估。结果显示了 FedDist 适应异构数据的能力，以及 FL 处理异步情境的能力。
引用
@article{arxiv.2210.16918,
title = {Evaluation and comparison of federated learning algorithms for Human Activity Recognition on smartphones},
author = {Sannara Ek and François Portet and Philippe Lalanda and German Vega},
journal= {arXiv preprint arXiv:2210.16918},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2110.10223