プライバシー問題がますます顕在化する中、現在、ユーザーの活動データ上で人体活動認識モデルを学習するための安全な通信方法が緊急に求められています。フェデレーテッドラーニングは、データのプライバシーを保護しながらサーバーとクライアント間でのモデル学習を促進できる注目の技術です。しかし、従来のフェデレーテッドラーニング手法は各クライアントのデータが独立かつ同分布であると仮定することが多く、これは実際のシナリオでは成立しません。実際の人体活動は多様性があり、同じ行動でも異なるクライアントで実行されると体系的な偏りが生じます。これにより、ローカルモデルの目的がグローバルモデルの目的から逸脱し、全体の収束を妨げます。そこで本論文では、コントラスト学習と適応変数制御に基づくFedCoadと呼ばれるフェデレーテッドモデルを提案し、人体活動認識におけるクライアントバイアスを処理します。モデルのコントラスト学習はグローバルモデルとローカルモデル間の表現差を最小化し、グローバルモデルの収束を助けます。ローカルモデルの更新期間中、適応変数制御はモデルの重みと制御変数の更新の変化速度に応じてローカルモデルの更新を罰則します。実験結果は、FedCoadが人体活動認識のベンチマークデータセットにおいて、既存の最先端フェデレーテッドラーニングアルゴリズムより優れた性能を示すことを示しています。

フェデレーテッドラーニング;人体活動認識;コントラスト学習;深層学習