Con el creciente destaque de los problemas de privacidad, actualmente es urgente un método seguro de comunicación, utilizado para entrenar un modelo de reconocimiento de actividad humana en los datos de actividad del usuario. El aprendizaje federado, como tecnología, puede utilizarse para entrenar el modelo entre el servidor y el cliente, preservando la privacidad de los datos. Sin embargo, los métodos tradicionales de aprendizaje federado suelen suponer que los datos de cada cliente son independientes y distribuidos de manera uniforme, lo cual no es cierto en la realidad. Las actividades humanas en escenarios reales son variables, lo que lleva a sesgos sistemáticos al ejecutar el mismo comportamiento en diferentes clientes. Esto conduce a que los objetivos del modelo local se desvíen del modelo global, lo que dificulta la convergencia general. Por lo tanto, basándonos en el aprendizaje comparativo y el control de variables adaptativas, proponemos en este artículo un modelo federado llamado FedCoad para tratar los sesgos del cliente en el reconocimiento de actividades humanas. El aprendizaje comparativo minimiza la brecha entre el modelo global y el local, lo que favorece la convergencia del modelo global. Durante la actualización del modelo local, el control adaptativo de variables penalizará la actualización del modelo local según los cambios en el peso del modelo y la velocidad de cambio de la variable de control. Nuestros resultados experimentales muestran que FedCoad supera el rendimiento en el conjunto de datos de referencia para el reconocimiento de actividades humanas en comparación con los algoritmos de aprendizaje federado de última generación existentes.

aprendizaje federado; reconocimiento de actividades humanas; aprendizaje comparativo; aprendizaje profundo