مع تصاعد قضايا الخصوصية، هناك حاجة ماسة حاليًا إلى طريقة آمنة للاتصال، تُستخدم لتدريب نموذج تعرف نشاط الإنسان على بيانات نشاط المستخدم. كتقنية محط الاهتمام، يمكن أن يعمل التعلم الاتحادي على تدريب النماذج بين الخادم والعميل بحيث يُحافظ على خصوصية البيانات. ومع ذلك، فإن أساليب التعلم الاتحادي التقليدية عادةً ما تفترض أن بيانات كل عميل مستقلة وموزعة بشكل متساو، وهذا لا ينطبق في الواقع. تكون الأنشطة البشرية في السيناريو الحقيقي متباينة، مما يؤدي إلى انحياز نظامي عند تنفيذ نفس السلوك على عملاء مختلفين. هذا يؤدي إلى انحراف الهدف النموذج المحلي عن الهدف النموذج العام، وبالتالي يعوق الاندماج الكلي. لذا، بناءً على التعلم المقارن والتحكم في المتغيرات التكيفي، نقترح في هذا البحث نموذجًا اتحاديًا يُسمى FedCoad لمعالجة الانحراف العميل في تعرف نشاط الإنسان. يقلل التعلم المقارن من الفجوة بين النموذج العام والنموذج المحلي، مما يساهم في اندماج النموذج العام. أثناء تحديث النموذج المحلي، سيتسبب التحكم في المتغيرات التكيفي في تغليب العقوبة على تحديث النموذج المحلي استنادًا إلى تغيرات وزن النموذج وسرعة تغيير المتغير التحكمي. تشير نتائج التجارب لدينا إلى أن FedCoad يتجاوز الأداء على مجموعة بيانات اختبار تعرف نشاط الإنسان مقارنة بأحدث خوارزميات التعلم الاتحادي المتقدمة.

التعلم الاتحادي؛ تعرف نشاط الإنسان؛ التعلم المقارن؛ التعلم العميق