개인정보 문제의 심각성이 커짐에 따라, 사용자 활동 데이터에서 사람 활동 인식 모델을 학습하기 위한 안전한 통신 방법이 현재 긴급히 필요합니다. 연합 학습은 데이터 개인정보를 보호하면서 서버와 클라이언트 간 모델 학습을 촉진하는 주목받는 기술입니다. 그러나 기존의 전통적인 연합 학습 방법은 각 클라이언트 데이터가 서로 독립적이고 동일 분포라고 가정하는 경우가 많으며, 이는 실제 상황에서는 성립하지 않습니다. 실제 시나리오에서 인간 활동은 차이가 있어 동일한 행동이라도 다른 클라이언트에서 수행될 때 체계적인 편향이 발생합니다. 이로 인해 로컬 모델의 목표가 글로벌 모델의 목표에서 벗어나 전체 수렴을 방해합니다. 이에 본 논문은 대조 학습과 적응 변수 제어를 기반으로 한 FedCoad라는 연합 모델을 제안하여 사람 활동 인식에서 클라이언트 편향 문제를 해결합니다. 모델 대조 학습은 글로벌 모델과 로컬 모델 간 표현 차이를 최소화하여 글로벌 모델의 수렴을 돕습니다. 로컬 모델 업데이트 기간 동안 적응 변수 제어는 모델 가중치 및 제어 변수 업데이트 변화 속도에 따라 로컬 모델 업데이트를 제재합니다. 실험 결과 FedCoad는 사람 활동 인식 벤치마크 데이터셋에서 기존 최첨단 연합 학습 알고리즘보다 우수한 성능을 보였습니다.

연합 학습;사람 활동 인식;대조 학습;딥 러닝