С ростом проблем конфиденциальности сегодня остро необходим безопасный метод связи для обучения моделей распознавания деятельности человека на данных активности пользователей. Федеративное обучение, как перспективная технология, позволяет способствовать обучению моделей между сервером и клиентами при сохранении приватности данных. Однако традиционные методы федеративного обучения обычно предполагают, что данные клиентов независимы и одинаково распределены, что не соответствует реальным условиям. В реальных сценариях активности человека разнообразны, что приводит к систематическим смещениям при выполнении одинакового действия на разных клиентах. Это вызывает отклонение цели локальной модели от цели глобальной модели и препятствует общей сходимости. В связи с этим в данной статье предлагается федеративная модель FedCoad, основанная на контрастивном обучении и адаптивном контроле переменных для обработки смещений клиентов в распознавании активности человека. Контрастивное обучение модели минимизирует различия в представлениях между глобальной и локальной моделями, способствуя сходимости глобальной модели. Во время обновления локальной модели адаптивный контроль переменных штрафует обновление локальной модели в зависимости от скорости изменения весов модели и управляющих переменных. Наши экспериментальные результаты показывают, что FedCoad превосходит современные передовые федеративные алгоритмы в распознавании человеческой активности на эталонных наборах данных.

федеративное обучение;распознавание активности человека;контрастивное обучение;глубокое обучение