Mit zunehmenden Datenschutzproblemen besteht aktuell ein dringender Bedarf an einer sicheren Kommunikationsmethode zum Trainieren von Modellen zur Erkennung menschlicher Aktivitäten auf Nutzerdaten. Föderiertes Lernen als vielbeachtete Technologie kann das Modelltraining zwischen Server und Clients fördern und gleichzeitig den Datenschutz gewährleisten. Traditionelle föderierte Lernmethoden gehen jedoch häufig davon aus, dass die Daten der Clients unabhängig und identisch verteilt sind, was in realen Szenarien nicht zutrifft. Menschliche Aktivitäten sind in der Realität unterschiedlich, was systematische Verzerrungen verursacht, wenn dieselbe Handlung auf verschiedenen Clients ausgeführt wird. Dies führt dazu, dass das Ziel des lokalen Modells vom Ziel des globalen Modells abweicht und die Gesamtkonvergenz behindert wird. Daher schlägt dieser Artikel ein föderiertes Modell namens FedCoad vor, das auf kontrastivem Lernen und adaptiver Variablenkontrolle basiert, um Client-Bias bei der Erkennung menschlicher Aktivitäten zu behandeln. Das kontrastive Lernen minimiert die Darstellungsdifferenz zwischen dem globalen und lokalen Modell und unterstützt die Konvergenz des globalen Modells. Während der Aktualisierung des lokalen Modells bestraft die adaptive Variablenkontrolle das Update entsprechend der Änderungsrate der Modellgewichte und der Kontrollvariablen. Unsere experimentellen Ergebnisse zeigen, dass FedCoad auf Benchmark-Datensätzen zur Erkennung menschlicher Aktivitäten bestehende fortschrittliche föderierte Lernalgorithmen übertrifft.

föderiertes Lernen;menschliche Aktivitätserkennung;kontrastives Lernen;tiefes Lernen