FED-HARGPT：基于 Transformer 的人类情境识别的混合中心化-联邦方法
信号处理
2026-03-27 v1 人工智能
机器学习
摘要
本研究探讨了一种用于人类活动识别 (HAR) 的混合中心化-联邦方法，基于 Transformer 架构。随着边缘设备（如智能手机和可穿戴设备）的普及，大量来自可穿戴和惯性传感器的私有数据被生成，这有助于离线监测人类活动，包括休息、睡眠和行走。本研究聚焦于使用移动传感器数据部署 HAR 技术，并利用 Flower 框架中的联邦学习来评估从中心化基线派生的联邦模型的训练。实验结果表明，所提出的混合方法在提高 HAR 模型的准确率和鲁棒性方面有效，同时在非独立同分布 (non-IID) 数据场景下保持数据隐私。联邦学习设置的性能与中心化模型相当，凸显了联邦学习在实际应用中在数据隐私与模型性能之间取得平衡的潜力。
引用
@article{arxiv.2603.24601,
title = {FED-HARGPT: A Hybrid Centralized-Federated Approach of a Transformer-based Architecture for Human Context Recognition},
author = {Wandemberg Gibaut and Alexandre Osorio and Amparo Munoz and Sildolfo F. G. Neto and Fabio Grassiotto},
journal= {arXiv preprint arXiv:2603.24601},
year = {2026}
}
备注
Paper presented on: July 2025 Conference: XVII Simp\'osio Brasileiro de Automa\c{c}\~ao Inteligente (SBAI) At: S\~ao Jo\~ao del-Rei