FedFitTech：面向健身追踪的联邦学习基准
机器学习
2025-09-15 v2
摘要
传感器的快速演进和高效机器学习模型的出现，推动了可穿戴健身追踪设备的广泛采用。配备惯性传感器，这类设备可以持续捕获身体运动，用于健身技术（FitTech）应用，从体育优化到预防性医疗保健。传统的集中式学习方法用于检测健身活动面临数据隐私 concerns、监管限制和通信效率问题。相比之下，联邦学习（FL）通过传递模型更新而非 potentially 私有的可穿戴传感器数据来实现去中心化模型训练。将 FL 应用于 FitTech 存在独特挑战，如数据不平衡、缺乏标记数据、异构用户活动以及在个人化和通用性之间的权衡。为简化 FitTech 中 FL 研究，我们提出 FedFitTech 基准，该基准基于 Flower 框架开发，公开可用且被行业和学术研究人员广泛使用。此外，为说明其用法，本文提出一个案例研究，实现一个基于 FedFitTech 基准的系统，集成了客户端早停策略并进行比较。例如，该系统允许可穿戴设备在捕获常见健身活动和保留个人细微差异之间进行优化，从而增强了面向隐私敏感型健身追踪应用的可扩展性和效率。结果显示，该系统在减少总体冗余通信方面降低了 13%，同时将整体识别性能维持在可忽略的 1% 识别代价。因此，FedFitTech 基准为 FitTech 的广泛新研究和开发机会奠定了基础，该项目已在 https://github.com/shreyaskorde16/FedFitTech 上开源。
引用
@article{arxiv.2506.16840,
title = {FedFitTech: A Baseline in Federated Learning for Fitness Tracking},
author = {Zeyneddin Oz and Shreyas Korde and Marius Bock and Kristof Van Laerhoven},
journal= {arXiv preprint arXiv:2506.16840},
year = {2025}
}
备注
This submission includes a total of 7 pages and 6 figures