差分隐私下的联邦分裂学习用于人体活动识别
机器学习
2024-11-12 v1 人工智能
密码学与安全
摘要
本文提出了一种基于联邦分裂学习（FSL）结合差分隐私（DP）的新型智能人体活动识别（HAR）框架，该框架运行于边缘网络之上。我们的 FSL-DP 框架同时利用加速度计和陀螺仪数据，在 HAR 准确率方面取得了显著提升。评估包括传统联邦学习（FL）与我们的 FSL 框架之间的详细对比，结果表明 FSL 框架在准确率和损失指标上均优于 FL 模型。此外，我们在 DP 机制下不同数据设置中考察了隐私-性能权衡，突出了隐私保证与模型准确率之间的平衡。结果还表明，与传统 FL 相比，我们的 FSL 框架在每轮训练中的通信时间更短，进一步强调了其效率和有效性。本工作提供了有价值的见解和一个新型框架，并在真实数据集上进行了验证。
引用
@article{arxiv.2411.06263,
title = {Federated Split Learning for Human Activity Recognition with Differential Privacy},
author = {Josue Ndeko and Shaba Shaon and Aubrey Beal and Avimanyu Sahoo and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2411.06263},
year = {2024}
}
备注
Accepted to IEEE Consumer Communications and Networking Conference (CCNC), 6 pages