分析個人及家庭成員在家居的活動數據對於健康學、社會學和家政的研究十分重要。這個項目開發了一個系統,利用常見的智能設備來識別重要的家居活動。這系統以聯邦學習技術為基礎,使不同智能設備在無需共享任何傳感器數據的情況下,互相提高識別用戶活動的準確度,從而保護用戶私隱。我們解決了聯邦學習中數據分布不平衡的問題,並探索用戶的相似性,以提高活動識別的準確性,減少智能設備的電力消耗。


一個針對不均勻數據分布的基於用戶相似性的聯邦學習系統。首先每個用戶節點會通過特定算法糾正局部的不均衡(左圖)。之後,服務器基於用戶上傳的機器學習模型而不是原始傳感器數據將用戶進行聚類,進而基於此聚類關係對準確率和通信性能進行優化(右圖)

特點及優勢:

  • 系統可在多款傳感器應用
  • 系統可大幅提高識別一些樣本數量較少的活動的準確度
  • 系統可提升識別各類型活動的準確度
  • 系統可減少小型智能設備的通信延遲和電力消耗
  • 在動態的網絡條件下,系統性能依然穩健
  • 系統可應用在阿茲海默症行為分析及兒童肥胖症分析
上圖顯示了我們提出的系統在圖片、聲音、慣性傳感單元等三個模態數據的實驗結果。可以看到,系統在稀有的類別上的識別準確率有顯著提高


隨著參與聯邦學習節點數目的增加,不同方法的平均準確率和通信代價。左圖顯示我們提出的系統能提高大部分節點的活動識別準確率;右圖顯示系統能在維持相同準確率的情況下顯著減少通信時間

Do you like our project?

MORE TO EXPLORE