Meta-HAR：面向人类活动识别的联邦表示学习
信号处理
2021-06-02 v1 机器学习
摘要
基于移动传感器的人类活动识别（HAR）在泛在计算中起着重要作用。然而，数据监管限制的增多使得大规模收集来自个人设备的私有且带标签的信号数据变得不可行。联邦学习已成为模型训练的分布式替代方案，其迭代地将本地更新的模型聚合成共享的全局模型，从而能够在无需中心化收集的情况下利用分散的私有数据。然而，联邦学习用于 HAR 的效果受到以下事实影响：每个用户具有不同的活动类型，甚至同一活动类型具有不同的信号分布。此外，训练得到的单一全局模型能否很好地泛化到具有异构数据的个体用户或新用户尚不确定。本文提出 Meta-HAR，一种联邦表示学习框架，其中以联邦方式元学习一个信号嵌入网络，而学到的信号表示进一步送入每个用户的个性化分类网络用于活动预测。为提升嵌入网络的表示能力，我们将每个用户的 HAR 问题视为不同任务，并通过模型无关元学习（Model-Agnostic Meta-learning）框架训练共享嵌入网络，使嵌入网络能泛化到任意个体用户。在鲁棒学习的表示之上，通过自适应过程进一步实现个性化。我们基于两个公开可用 HAR 数据集以及新创建的 HAR 数据集进行了大量实验。结果验证了 Meta-HAR 能有效维持个体用户（包括新用户）的高测试准确率，并在某些情况下显著优于若干基线方法，包括联邦平均（Federated Averaging）、Reptile 甚至集中式学习。
引用
@article{arxiv.2106.00615,
title = {Meta-HAR: Federated Representation Learning for Human Activity Recognition},
author = {Chenglin Li and Di Niu and Bei Jiang and Xiao Zuo and Jianming Yang},
journal= {arXiv preprint arXiv:2106.00615},
year = {2021}
}