Avec l’accroissement des préoccupations relatives à la confidentialité, il est actuellement urgent de disposer d’une méthode sécurisée de communication pour entraîner des modèles de reconnaissance d’activité humaine sur les données d’activité des utilisateurs. L’apprentissage fédéré, en tant que technologie très en vue, permet de favoriser l’entraînement de modèles entre le serveur et les clients tout en protégeant la confidentialité des données. Cependant, les méthodes traditionnelles d’apprentissage fédéré supposent généralement que les données des clients sont indépendantes et identiquement distribuées, ce qui n’est pas le cas dans des scénarios réels. Dans la réalité, les activités humaines présentent des différences, ce qui entraîne un biais systématique lors de l’exécution d’un même comportement sur différents clients. Cela conduit à un écart entre l’objectif du modèle local et celui du modèle global, ce qui entrave la convergence globale. Par conséquent, cet article propose un modèle fédéré nommé FedCoad basé sur l’apprentissage contrastif et le contrôle adaptatif des variables pour traiter le biais des clients dans la reconnaissance d’activité humaine. L’apprentissage contrastif du modèle minimise l’écart de représentation entre le modèle global et le modèle local, favorisant la convergence du modèle global. Pendant la mise à jour du modèle local, le contrôle adaptatif des variables pénalise la mise à jour du modèle local en fonction du taux de changement des poids du modèle et des variables de contrôle. Nos résultats expérimentaux montrent que FedCoad dépasse les algorithmes d’apprentissage fédéré les plus avancés dans la reconnaissance d’activité humaine sur les ensembles de données de référence.

apprentissage fédéré;reconnaissance d’activité humaine;apprentissage contrastif;apprentissage profond