RiM：使用联邦学习提升学生身心健康
机器学习
2025-05-13 v1 密码学与安全
计算机与社会
摘要
在学术环境中，往往迫使学生优先考虑学业表现而忽视身体健康。此外，隐私 concerns和数据泄露的固有风险阻碍了传统机器学习技术在解决这些健康挑战方面的部署。在本研究中，我们引入了RiM：记录、改进和维护(RiM)，一款移动应用程序，融合了一种新型个性化机器学习框架，该框架利用联邦学习来增强学生的身体健康，通过分析其生活习惯。我们的方法涉及在大规模模拟数据集上对多层感知器(MLP)模型进行预训练，以生成个性化建议。随后，我们采用联邦学习对来自IISER Bhopal学生的数据进行微调，从而确保其在实际场景中的适用性。联邦学习方法通过仅共享模型权重而非原始数据来保证差分隐私。实验结果表明，基于FedAvg的RiM模型在平均准确率达到60.71%，平均绝对误差为0.91——优于FedPer变体(平均准确率46.34%，MAE 1.19)——这表明该方法在保持隐私的前提下有效预测生活方式缺陷。
引用
@article{arxiv.2505.06384,
title = {RiM: Record, Improve and Maintain Physical Well-being using Federated Learning},
author = {Aditya Mishra and Haroon Lone},
journal= {arXiv preprint arXiv:2505.06384},
year = {2025}
}
备注
Report submitted in partial fulfilment of the requirements for the award of the degree of Bachelor of Science (BS) in Electrical Engineering and Computer Science