Con el aumento de las preocupaciones sobre la privacidad, actualmente es urgente contar con un método de comunicación seguro para entrenar modelos de reconocimiento de actividad humana en datos de actividad de usuarios. El aprendizaje federado, como una tecnología de gran interés, puede facilitar el entrenamiento del modelo entre el servidor y los clientes mientras protege la privacidad de los datos. Sin embargo, los métodos tradicionales de aprendizaje federado suelen asumir que los datos de los clientes son independientes e idénticamente distribuidos, lo cual no se cumple en escenarios reales. En la vida real, las actividades humanas son diversas, lo que provoca un sesgo sistemático al ejecutar el mismo comportamiento en diferentes clientes. Esto lleva a que el objetivo del modelo local se desvíe del objetivo del modelo global, lo que obstaculiza la convergencia general. Por ello, este artículo propone un modelo federado llamado FedCoad basado en aprendizaje contrastivo y control adaptativo de variables para manejar el sesgo del cliente en el reconocimiento de actividades humanas. El aprendizaje contrastivo del modelo minimiza la brecha de representación entre el modelo global y el local, lo que ayuda a la convergencia del modelo global. Durante la actualización del modelo local, el control adaptativo de variables penaliza la actualización del modelo local en función de la tasa de cambio de los pesos del modelo y la actualización de las variables de control. Nuestros resultados experimentales muestran que FedCoad supera a los algoritmos federados más avanzados en conjuntos de datos estándar de reconocimiento de actividad humana.

aprendizaje federado;reconocimiento de actividad humana;aprendizaje contrastivo;aprendizaje profundo