用于活动识别的半监督联邦学习
机器学习
2021-04-01 v3 人工智能
摘要
在居家物联网传感数据上训练深度学习模型常用于识别人类活动。近来，以边缘设备作为客户端支持本地人类活动识别的联邦学习系统已成为结合本地（个体级）与全局（群体级）模型的新范式。与传统集中式分析与学习模型相比，该方法具有更好的可扩展性与泛化性，并提供更好的隐私保护。然而，联邦学习背后的假设依赖于客户端上的监督学习，这需要大量标注数据，而在远程居家监测等不受控物联网环境中难以收集。本文提出一种采用半监督联邦学习的活动识别系统，其中客户端利用无标注本地数据在自编码器上进行无监督学习以学习通用表示，云服务器利用标注数据在活动分类器上进行监督学习。实验结果表明，使用长短期记忆自编码器与 Softmax 分类器时，我们所提系统的准确率高于集中式系统及采用数据增强的半监督联邦学习系统，且与监督联邦学习系统相当。同时，我们证明该系统可减少所需标签数量与本地模型规模，并具有比监督联邦学习更快的本地活动识别速度。
引用
@article{arxiv.2011.00851,
title = {Semi-supervised Federated Learning for Activity Recognition},
author = {Yuchen Zhao and Hanyang Liu and Honglin Li and Payam Barnaghi and Hamed Haddadi},
journal= {arXiv preprint arXiv:2011.00851},
year = {2021}
}