FedHome：基于云边协同的个性化联邦学习用于居家健康监测
网络与互联网体系结构
2020-12-15 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
居家健康监测已引起全球老龄化人口的广泛关注。借助物联网（IoT）设备获取的大量用户健康数据以及机器学习的最新进展，智慧医疗已有诸多成功案例。然而，现有居家健康监测方法未充分重视用户数据隐私，远未准备好大规模实际部署。本文提出 FedHome，一种新颖的基于云边协同的联邦学习框架，用于居家健康监测，该框架在网络边缘的多户家庭中于云端学习共享全局模型，并通过将用户数据保留在本地实现数据隐私保护。为应对用户监测数据中固有的不平衡与非独立同分布（non-IID）特性，我们设计了生成式卷积自编码器（GCAE），旨在通过用户个人数据生成的类平衡数据集精炼模型，从而实现准确且个性化的健康监测。此外，GCAE 在云与边缘间传输轻量，有助于降低 FedHome 中联邦学习的通信开销。基于真实人体活动识别数据轨迹的大量实验证实，FedHome 显著优于现有广泛采用的方法。
引用
@article{arxiv.2012.07450,
title = {FedHome: Cloud-Edge based Personalized Federated Learning for In-Home Health Monitoring},
author = {Qiong Wu and Xu Chen and Zhi Zhou and Junshan Zhang},
journal= {arXiv preprint arXiv:2012.07450},
year = {2020}
}
备注
Accepted by IEEE Transactions on Mobile Computing