面向人体活动识别的个性化半监督联邦学习
机器学习
2025-10-20 v3 分布式、并行与集群计算
摘要
基于传感器的人体活动识别（HAR）中的主要开放问题之一是标注数据的稀缺。在应对该挑战的众多方案中，半监督学习方法代表了一个有前景的方向。然而，其中心化架构在涉及大量用户时会引发可扩展性与隐私问题。联邦学习（FL）是解决这些问题的一种有前景的范式。然而，已提出的用于 HAR 的 FL 方法假设参与用户总能获得标签来训练其本地模型（即假设为完全监督设置）。在本工作中，我们提出 FedAR：一种用于 HAR 的新型混合方法，它结合半监督与联邦学习以利用两种方法的优势。FedAR 结合主动学习与标签传播来半自动标注未标注传感器数据的本地流，并依赖 FL 以可扩展且隐私感知的方式构建全局活动模型。FedAR 还包含一种迁移学习策略，以在每个用户上微调全局模型。我们在两个公开数据集上评估了我们的方法，表明 FedAR 达到了与最先进的 FL 监督方法相似的识别率与个性化能力。作为一个主要优势，FedAR 仅需要极少量的标注数据来填充预训练模型，以及少量的主动学习提问（在使用系统的过程中迅速减少），从而为 HAR 的数据稀缺问题提供了一种有效且可扩展的解决方案。
引用
@article{arxiv.2104.08094,
title = {Personalized Semi-Supervised Federated Learning for Human Activity Recognition},
author = {Riccardo Presotto and Gabriele Civitarese and Claudio Bettini},
journal= {arXiv preprint arXiv:2104.08094},
year = {2025}
}