FedOpenHAR:基于传感器的人类活动识别的联合多任务转移学习
Egemen İşgÜder1, Özlem Durmaz İncel1
1Faculty of EEMCS, Pervasive Systems Research Group, University of Twente, Enschede, The Netherlands.
概括
本研究介绍了FedOpenHAR,这是一个用于多任务人类活动识别 (HAR) 和使用可穿戴传感器数据识别设备位置的联合转移学习框架. 它比集中式培训更准确,并为新任务或新课程提供高效的适应.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 可穿戴和移动设备通过运动传感器生成有价值的用户行为数据.
- 目前的分析通常集中在单个任务上,例如使用集中式深度学习的人类活动识别 (HAR).
- 分布式机器学习提供了一个替代方案,避免将数据传输到中央服务器.
研究的目的:
- 引入FedOpenHAR,这是一个用于多任务学习的联合转移学习框架.
- 为了实现同时的人类活动识别 (HAR) 和设备位置识别.
- 在联邦环境中探索有效的模型适应新任务和新类.
主要方法:
- 利用了OpenHAR框架与十个数据集用于模型培训.
- 员工联合转移学习,具有特定任务和个性化的层次.
- 在Flower联合学习环境中实现了DeepConvLSTM架构.
主要成果:
- 通过FedOpenHAR实现了72.4%的准确性,超过了集中式培训 (64.5%).
- 联合转移学习表现与孤立的个人培训 (72.6%) 相似.
- 证明能有效地适应新客户的新任务或新课程.
结论:
- 在FedOpenHAR中的联合转移学习增强了可穿戴传感器数据的多任务分析.
- 该框架为传感器数据上的分布式机器学习提供了强大的和可适应的解决方案.
- 对于可扩展性和在联合学习系统中整合新的功能,FedOpenHAR提供了显著的优势.
