مع تزايد القلق بشأن الخصوصية، هناك حاجة ماسة حالياً إلى طريقة آمنة للاتصالات لتدريب نموذج التعرف على نشاط الإنسان باستخدام بيانات نشاط المستخدمين. التعلم الفيدرالي، كتقنية تحظى باهتمام واسع، يمكنه تعزيز تدريب النماذج بين الخادم والعميل مع حماية خصوصية البيانات. ومع ذلك، غالباً ما يفترض أسلوب التعلم الفيدرالي التقليدي أن بيانات كل عميل مستقلة وموزعة بالتساوي، وهو أمر غير صحيح في السيناريوهات الواقعية. حيث تتميز أنشطة الإنسان في الواقع بالاختلاف، مما يؤدي إلى انحراف منهجي في تنفيذ نفس السلوك على عملاء مختلفين. وهذا يؤدي إلى انحراف هدف النموذج المحلي عن هدف النموذج العالمي، مما يعيق التقارب الكلي. بناءً على ذلك، يقترح هذا البحث نموذج فيدرالي يُدعى FedCoad يعتمد على التعلم التبايني والتحكم التكيفي في المتغيرات لمعالجة انحياز العملاء في التعرف على نشاط الإنسان. يهدف التعلم التبايني للنموذج إلى تقليل الفجوة في التمثيل بين النموذج العالمي والمحلي، مما يساعد على تقارب النموذج العالمي. خلال تحديث النموذج المحلي، يقوم التحكم التكيفي في المتغيرات بمعاقبة تحديث النموذج المحلي وفقًا لمعدل تغير أوزان النموذج والمتغيرات المُتحكمة. تُظهر نتائج تجاربنا أن FedCoad يتفوق على خوارزميات التعلم الفيدرالي المتقدمة الحالية على مجموعات بيانات معيارية للتعرف على نشاط الإنسان.

التعلم الفيدرالي;التعرف على نشاط الإنسان;التعلم التبايني;التعلم العميق