С учетом все более явного обострения вопросов конфиденциальности сейчас крайне необходим способ безопасной связи, используемый для обучения моделей распознавания деятельности человека на данных активности пользователя. Федеративное обучение, как технология, может использоваться для обучения модели между сервером и клиентом, предотвращая утечку данных. Однако традиционные методы федеративного обучения обычно предполагают, что данные каждого клиента являются независимыми и однородными, что не соответствует действительности. Активности человека в реальном сценарии имеют различия, что приводит к систематическому искажению при выполнении одинакового поведения на разных клиентах. Это приводит к отклонению целей локальной модели от глобальной модели, что затрудняет общую сходимость. Поэтому на основе сравнительного обучения и управления адаптивными переменными в этой статье предлагается федеративная модель под названием FedCoad для управления искажениями клиентов при распознавании деятельности человека. Сравнительное обучение минимизирует различие между общей моделью и локальной моделью, способствуя сходимости общей модели. Во время обновления локальной модели адаптивное управление переменными будет воздействовать на обновление локальной модели в соответствии с изменением веса модели и скоростью изменения управляющей переменной. Наши экспериментальные результаты показывают, что FedCoad превосходит производительность на наборе данных базовой активности человека по сравнению с существующими передовыми алгоритмами федеративного обучения.

федеративное обучение; распознавание деятельности человека; сравнительное обучение; глубокое обучение